引言

  随着对BERT的使用越来越频繁，一直以来，有一些疑问埋在心底没有去解决，也请大家在阅读本文之前，尝试回答一下这些面试题：

  1、BERT在huggingface库里有那么多BertForxxxModel变种，不同的Model加载预训练向量之后，预训练向量覆盖了哪些层、没有覆盖哪些层？

  2、BERT的自动MASK机制，是一直都有，还是在特定的任务中才有？是如何实现的？
  3、BERT的NSP，当输入是只有一个句子时，是如何处理的？
  4、BERT的CLS位置特殊在哪，和最后一层隐藏层其他位置难道有区别吗？为什么只用CLS位置做文本分类任务呢？
  5、BERT的tokenizer，分中文的分字分词现象、分英文时的WordPiece现象

  如果大家对上面的疑问还不是完全清楚的话，本文将会从HuggingFace库中BERT-based的各种模型结构上分析，为大家解答上述疑问。

  在讲解代码时，可能会说到具体哪一行，所以事先说明我的transformers库的版本为4.36.2。

HF库封装的各种任务列举

  访问HF库BERT模型的文档：https://huggingface.co/docs/transformers/model_doc/bert，可以看到这些模型：

  · BertModel
  · BertForPreTraining
  · BertForMaskedLM
  · BertForNextSentencePrediction
  · BertForSequenceClassification
  · BertForQuestionAnswering

  如果我们想在其中增加一些模块，比如LSTM、CRF等优化模型，我们可以仿造这些封装好的API的写法，当然也可以直接使用上面的这些模型。

  下面来分析各个模型的结构。

BertModel的结构分析

  首先，我们来打印一下模型结构，写如下代码：

path = r"D:\PLMs\bert\bert-base-chinese"
model = BertModel.from_pretrained(path)
print(model)

  可以在控制台看到BertModel的结构如下：

  BertModel由三部分组成，embeddings、encoder与pooler。因为embeddings、encoder都是固定的，所以这里我就用省略号代替了。

  Embeddings是嵌入层，包括三个嵌入层的组合：词嵌入，位置嵌入和句子嵌入。

  Encoder是BERT模型的核心，由12个Transformer编码器构成。

  Pooler用来提取固定的特征表示。在BERT模型中，通常使用第一个token（[CLS]）的最后一层的隐藏状态作为整个输入序列的表示。

  在这三部分中，从理解BertModel结构的角度上看，Pooler是最重要的。 假设一个长为32的文本向量为[1, 32]，输入到模型中，并且经过Encoder编码后，它的大小应该为[1, 32, 768]，768是隐藏层的维度。此时我们想得到这个句子的编码，应该如何去操作呢？

  如果是RNN系列的模型，我们通常会取最后一个token位置上的768维的向量作为句子向量。这是因为RNN是时序模型，普遍认为一个状态一个状态向后传递，最终最后一个位置的向量能够编码全局信息。

  但是由于BERT是自编码模型，又用到了注意力机制，结构如下图，虽然每个位置（即$T_1$至$T_n$）的向量不一样，但是理论上经过一通全局角度的信息提取后，每个位置都能代表整个句子的信息。而我们知道，BERT的做法是取第一个位置的token（即$T_1$，也就是官方所说的CLS位置）作为句子向量的。

  实现代码可以去查看BertModel中forward部分的代码（modeling_bert.py的1025行）：

  会发现在经过编码器编码后，送入pooler的向量是提取了第0个元素的。

  最后，查看BertModel模型的输出类为：

BaseModelOutputWithPoolingAndCrossAttentions(last_hidden_state=sequence_output,pooler_output=pooled_output,past_key_values=encoder_outputs.past_key_values,hidden_states=encoder_outputs.hidden_states,attentions=encoder_outputs.attentions,cross_attentions=encoder_outputs.cross_attentions,
)

  主要还是把编码过程中的隐藏层last_hidden_state，和提取CLS位置的句子向量pooler_output给输出出来了。

  综上所述，BertModel模型在用encoder编码了句子之后，使用了pooler提取第0个位置的token向量作为句子向量返回。所以在我们用BERT接自定义网络层的时候，通常会使用BertModel模型，而不是其他变体。

  目前来说，我们只弄清楚了BertModel模型，对NSP、MLM仍然还没涉及。

BertForPreTraining的结构分析

  首先，我们来打印一下模型结构，写如下代码：

path = r"D:\PLMs\bert\bert-base-chinese"
model = BertForPreTraining.from_pretrained(path)
print(model)

  可以在控制台看到BertForPreTraining的结构如下：

  BertForPreTraining是BERT变体的所有模型中，结构最全的模型。可以理解为，其他的变体都是BertForPreTraining模型的子集，只不过各有不同而已。观察它的结构可以发现，BertForPreTraining模型是在BertModel模型的基础上，加了一个预训练头BertPreTrainingHeads。

  预训练头BertPreTrainingHeads做了两个工作，一个是predictions做MLM任务预测[MASK]标记的概率分布，另外一个是seq_relationship做NSP任务预测两个句子是否是下一个句子的关系。

  其实很好理解，对于predictions：它里面有个decoder，这是线性分类器，形状为768 * 21128，也就是隐藏层*词典大小。流程大概为：一个句子经过编码器编码为[1, 32, 768]的向量，然后再通过predictions变成[1, 32, 21128]的概率向量，这样不就能完成完形填空的预训练任务了吗！

  而对于seq_relationship：它也是线性分类器，形状为768 * 2，也就是隐藏层*标签数量。对于NSP任务，标签就是有或无这两个。流程大概为：一个句子经过编码器编码为[1, 32, 768]的向量，然后再通过pooler变成[1, 768]的句子向量，最后通过seq_relationship变成[1, 2]的概率向量，这样不就能完成下一个句子预测的预训练任务了吗！

  此时去查看预训练头的代码（modeling_bert.py的721行）：

  此时我们就会发现，两个预训练任务MLM和NSP的输入是不一样的！一个是编码后的向量，维度为[1, 32, 768]，表示对每个token的编码。另一个是经过pooler的向量，维度为[1, 768]，表示对整个句子的编码。但是仔细想想，这也非常合理！完形填空任务需要的是每个位置的表征向量，而下一个句子预测任务当然需要的是句子向量。

  最后，查看BertForPreTraining模型的输出类为：

BertForPreTrainingOutput(loss=total_loss,prediction_logits=prediction_scores, # (b, s, v) 字典词的logitsseq_relationship_logits=seq_relationship_score, # (b, 2) 句子是否是上下句hidden_states=outputs.hidden_states,attentions=outputs.attentions,
)

  BertForPreTrainingOutput也就是把两个预训练任务的概率给返回一下。

BertForMaskedLM的结构分析

  首先，我们来打印一下模型结构，写如下代码：

path = r"D:\PLMs\bert\bert-base-chinese"
model = BertForMaskedLM.from_pretrained(path)
print(model)

  可以在控制台看到BertForMaskedLM的结构如下：

  顾名思义，BertForMaskedLM是专门做MLM任务的模型。我们观察它的结构可以看到，BertForMaskedLM是在BertModel删除pooler的基础上，加了一个MLM预测头BertOnlyMLMHead。

  不同过多的在乎这个很容易搞混的类名，我们就简单的把BertForMaskedLM和BertForPreTraining模型的结构对比下你就会惊喜的发现，BertForMaskedLM其实就是BertForPreTraining删除NSP任务的版本！！ 不但删除了seq_relationship对句子关系预测的分类器，同时由于MLM任务不需要句子向量，所以把pooler也给删除了。

  看到这里，读者一定能猜出来BertForNextSentencePrediction模型的结构了！

BertForNextSentencePrediction的结构分析

  首先，我们来打印一下模型结构，写如下代码：

path = r"D:\PLMs\bert\bert-base-chinese"
model = BertForNextSentencePrediction.from_pretrained(path)
print(model)

  可以在控制台看到BertForNextSentencePrediction的结构如下：

  果然和你预测的一样对不对！BertForNextSentencePrediction模型其实就是BertForPreTraining模型删除MLM任务的版本，把MLM分类头给删除了，同时由于NSP任务是需要句子向量的，所以保留了pooler。

BertForSequenceClassification的结构分析

  要是说上述模型都属于BERT本身的范畴的话，那么BertForSequenceClassification模型就是纯纯BERT的下游任务模型了。

  首先，我们来打印一下模型结构，写如下代码：

path = r"D:\PLMs\bert\bert-base-chinese"
model = BertForSequenceClassification.from_pretrained(path)
print(model)

  可以在控制台看到BertForSequenceClassification的结构如下：

  可以看到，BertForSequenceClassification模型是在BertModel的基础上，仅仅加了一个线性分类器而已！而且它需要句子向量来进行分类，所以pooler也保留了下来。

  而且在加载BertForSequenceClassification模型的预训练向量的时候，控制台会打印如下信息：

Some weights of BertForSequenceClassification were not initialized from the model checkpoint atD:\PLMs\bert\bert-base-chinese and are newly initialized: ['classifier.bias', 'classifier.weight']
You should probably TRAIN this model on a down-stream task to be able to use it 
for predictions and inference.

  这是在说，对于BertForSequenceClassification模型最后的线性分类器classifier，BERT的预训练向量是没有覆盖的，需要我们继续训练这部分参数来微调。

  因为下游任务千变万化，而且每个人的语料和领域都不同，所以对于BERT模型之外的网络层，需要手动训练，这是非常合理的。

BERT模型的面试题解答

  说到这里，文章开头问题基本上都能解答了。

  1、BERT在huggingface库里有那么多BertForxxxModel变种，不同的Model加载预训练向量之后，预训练向量覆盖了哪些层、没有覆盖哪些层？

  答：BERT模型的预训练参数只能覆盖BertForPreTraining的结构这么多。如果接了下游任务的网络层的话，这些层的参数是随机初始化的。

  3、BERT的NSP，当输入是只有一个句子时，是如何处理的？

  答：因为NSP任务的分类器的输入是句子向量，而不管输入的是一个句子还是两个句子，CLS位置都是对输入整体的编码，也就是说都是有句子编码的。所以只有一个句子的时候，NSP任务虽然可以正常运行，但是它的输入是没有意义的。

  4、BERT的CLS位置特殊在哪，和最后一层隐藏层其他位置难道有区别吗？为什么只用CLS位置做文本分类任务呢？

  答：如果只看MLM任务的训练过程的话，最后一层隐藏层所有位置的向量都能代表句子向量，但是，CLS位置是拿去做NSP任务的啊！所以CLS特殊就特殊在它比其他token位置的向量多做了个NSP任务，所以把它当作句子的表征向量而不是其他位置。

BERT如何进行无监督预训练？

  在说BERT如何进行无监督预训练之前，我们需要接着解答文章开头的问题：

  2、BERT的自动MASK机制，是一直都有，还是在特定的任务中才有？是如何实现的？

  答：相信大家对BERT论文中随机抽取15%的token来MASK印象深刻，我在HF库的源码中找了半天也没找到随机MASK的具体实现。知道最后才发现，随机MASK是在数据准备阶段做的。在做MLM任务（无监督）之前，我们先是有输入input_id，然后从中抽取15%，再按8：1：1的比率进行MASK、不变、随机（就像论文中说的那样），其他位置设置为-100，然后组成一个向量mlm_label，表示MLM任务的标签。在最后计算交叉熵损失的时候，对于标签为-100的数据，是不会进行计算的（pytorch库中确实是这样实现的，可以去看下源码）。综上所述，所谓BERT的自动MASK机制是需要我们在数据准备阶段手动构造标签来实现的。所以，模型到底有没有自动MASK，看你自己怎么构造标签。当然，像BertForSequenceClassification这样的模型，并不涉及MLM任务，是肯定不会有自动MASK机制的。

  OK。说完上面的问题，相信大家对怎么进行无监督训练肯定清楚了。假设我们有一堆文本数据：

  1、选择模型：模型采用BertForPreTraining模型（因为它同时包含MLM和NSP任务）。
  2、构建MLM输入：先对文本进行分词，转化为数值向量。
  3、构建NSP输入：把文本切成两个句子，可以利用BERT的分词器构造。但是要不要负采样、以什么规则把把文本切成两个句子的Trick比较多。
  4、构建MLM标签：从MLM输入中抽取15%，再按8：1：1的比率进行MASK、不变、随机（就像论文中说的那样），其他位置设置为-100，构成标签向量。
  5、构建NSP标签：这个简单，有关系就是0，没关系就是1。