一、Bert整体模型架构

基础架构是transformer的encoder部分，bert使用多个encoder堆叠在一起。

主要分为三个部分：1、输入部分  2、注意力机制  3、前馈神经网络

bertbase使用12层encoder堆叠在一起，6个encoder堆叠在一起组成编码端，6个decoder堆叠在一起组成解码端。

对于Bert的encoder部分重点关注输入部分

对于transformer来说，输入包括两部分：

1、input embedding：做词的词向量，比如做词的初始化

2、positional encoding：位置编码，使用的是三角函数正余弦函数去代表他。

在Bert中分为了三个部分：

input = token emb + segment emb + position emb

 二、Bert的输入部分

1、input

正常词汇： my dog is cute he likes play ## ing 

特殊词汇：CLS SEP

这两个存在是因为在Bert预训练时有NSP（Next Sentence Prediction）任务存在，这个任务是用于处理两个句子之间的关系

SEP主要是做句子间隔：之前的是一个句子，SEP之后的是另一个句子。

CLS 的输出向量接一个二分类器，去做一个二分类任务（误区：CLS向量输出不能代表整个句子的语义信息） 

2、输入的内容

token embeddings        

对input中的所有词汇，包括正常词汇和特殊词汇，都去做正常的embedding比如随机初始化 

segment embeddings 

由于处理的是两个句子，所以需要对两个句子进行区分，第一个句子使用0来表示，第二个句子使用1来表示；并使用不同的符号来表示。

position embeddings

Bert的输入部分与transformer输入部分很大的不同点：

transformer中使用正余弦函数

Bert使用随机初始化，然后让模型自己去学习出来，整个512的长度，让模型自己去学习出来每个位置应该是什么样子的

三、预训练：MLM+NSP 

MLM（Masked Language Modeling）是指掩码语言模型。这是一种预训练语言模型的方法，旨在通过预测被掩码（或称为遮盖、掩盖）的单词来学习语言的上下文表示。

NSP（Next Sentence Prediction）是一个特定的预训练任务，旨在预测两个句子在原始文本中是否连续出现。

BERT 在预训练的时候使用的是大量的无标注的语料，所以在设计的时候，一定会考虑无监督来做。

无监督目标函数

AR: auto regressive,自回归模型：只能考虑单侧的信息，典型的就是GPT

AE:auto encoding，自编码模型：从损坏的输入数据中预测重建原始数据。可以使用上下文信息。

MLM模型 

1、基本原理

打破了文本，让他文本重建。模型在周围的文本中学习各种信息，来让预测出来的文本无限接近原本的词汇。就像是让模型根据上下文去做完形填空

2、缺点

mask 和mask之间是独立的，但是在实际中不一定是独立的，而是有关系的。

3、模型概率

随机 mask 15% 的单词    ==》  10%替换成其他 10%原封不动 80%替换成马赛克 

模型代码

NSP任务

最重要的一个点是理解样本的构造模式。

NSP样本如下：

1、从训练语料库中取出两个连续的段落作为正样本。两个连续的段落来自同一个文档，并且属于同一个主题，两个连续的段落顺序也不会颠倒。

2、从不同的文档中随机创建一对段落作为负样本。不同的主题进行选取文档。

缺点：主题预测（判断两个段落是不是来自同一个文档）和连贯性预测（判断两个段落是不是顺序关系）合并为一个单项任务。

四、如何在下游任务中微调Bert

分为四部分：

(a)：句子对分类任务：文本匹配的任务，把两个句子拼接起来去看是否相似，CLS输出0为相似，输出1为不相似

(b)：单个句子分类任务：使用CLS的输出去做一个微调，做一个二分类或者多分类

(c)：问答任务

(d)：序列标注任务：将所有的token输出做一个softmaax去看属于实体中的哪一个

五、如何提升Bert在下游任务中的表现 

一般都是使用大公司已经训练好的Bert模型（获取谷歌中文Bert），再根据自己的数据进行微调。

将步骤细化为四步：

1、在大量通用语料上训练一个language model （pretrain）----这一步一般不用做，直接使用中文谷歌Bert即可。

2、在相同领域上继续训练language model （domain transfer 领域自适应）

3、在任务相关的小数据上继续训练language model （task transfer）

4、在任务相关数据上做具体任务（fine - tune 微调）

先 domain transfer 再进行 task transfer 最后 fine-tune 性能效果是最好的。

第二步中：如何在相同领域数据中进行 further pre - training 

1、使用动态mask ：每次epoch去训练的时候，mask是会变化的，不会一直使用同一个。

2、n-gram mask：比如ERNIE和 SpanBert 都是类似于做了实体词的mask。

参数设置

或者进行数据增强、自蒸馏、外部知识的融入。