BERT---容易被忽视的细节
来源：https://zhuanlan.zhihu.com/p/69351731
最近面试，被问到一些模型的相关细节，所以又重新读了一些论文
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
论文地址：https://arxiv.org/pdf/1810.04805.pdf
细节一：Bert的双向体现在什么地方？
Bert可以看作Transformer的encoder部分。Bert模型舍弃了GPT的attention mask。双向主要体现在Bert的
预训练任务一：遮蔽语言模型（MLM），如：
小 明 喜 欢 [MASK] 度 学 习 。
这句话输入到模型中，[MASK]通过attention均结合了左右上下文的信息，这体现了双向。
attention是双向的，但GPT通过attention mask达到单向，即：让[MASK]看不到 度 学 习这三个字，只看到上文 小 明 喜 欢 。
细节二：Bert的是怎样预训练的？
预训练任务一：遮蔽语言模型（MLM）
将一句被mask的句子输入Bert模型，对模型输出的矩阵中mask对应位置的向量做分类，标签就是被mask的字在字典中对应的下标。这么讲有点抽象，如图：
预训练任务二：下一句预测（NSP）
训练一个下一句预测的二元分类任务。
具体 来说，在为每个训练前的例子选择句子 A 和 B 时，50% 的情况下 B 是真的在 A 后面的下一个句子， 50% 的情况下是来自语料库的随机句子。
然后将[cls]对应的向量取出做二分类训练，如图：
两个任务共享Bert，使用不同的输出层，做Muti-Task。
细节三：对于任务一，对于在数据中随机选择 15% 的标记，其中80%被换位[mask]，10%不变、10%随机替换其他单词，原因是什么？
两个缺点：
1、因为Bert用于下游任务微调时， [MASK] 标记不会出现，它只出现在预训练任务中。这就造成了预训练和微调之间的不匹配，微调不出现[MASK]这个标记，模型好像就没有了着力点、不知从哪入手。所以只将80%的替换为[mask]，但这也只是缓解、不能解决。
2、相较于传统语言模型，Bert的每批次训练数据中只有 15% 的标记被预测，这导致模型需要更多的训练步骤来收敛。
··· END ···