第二课：BERT

文章目录

第二课：BERT
- 1、学习总结：
- - 为什么要学习BERT？
  - 预训练模型的发展历程
  - BERT结构
  - - BERT 输入
    - BERT Embedding
    - BERT 模型构建
    - BERT self-attention 层
    - BERT self-attention 输出层
    - BERT feed-forward 层
    - BERT 最后的Add&Norm
    - BERT Encoder
    - BERT 输出
    - BERT Pooler
  - BERT 预训练
  - - Masked LM
    - NSP
    - BERT预训练代码整合
  - 课程ppt及代码地址
- 2、学习心得：
- 3、经验分享：
- 4、课程反馈：
- 5、使用MindSpore昇思的体验和反馈：
- 6、未来展望：

第二课：BERT

1、学习总结：

为什么要学习BERT？

虽然目前decoder only的模型是业界主流，但是encoder 的模型bert规模较小，更适合新手作为第一个上手的大模型，这样后面学习其他的大模型就不会感觉到过于困难。

Decoder only模型当道： GPT3、Bloom、LLAMA、GLM
Transformer Encoder结构在生成式任务上的缺陷
BERT模型规模小
Pretrain-Fintune范式的落寞
2022年以前，学术界还是在倒腾BERT
Finetune更容易针对单领域任务训练
- BERT是首个大规模并行预训练的模型，也是当前的performance baseline
- 由BERT入手学大模型训练、微调、Prompt最简单

预训练模型的发展历程

语言模型的演变经历了以下几个阶段：

word2vec/Glove将离散的文本数据转换为固定长度的静态词向量，后根据下游任务训练不同的语言模型；
ELMo预训练模型将文本数据结合上下文信息，转换为动态词向量，后根据下游任务训练不同的语言模型；
BERT同样将文本数据转换为动态词向量，能够更好地捕捉句子级别的信息与语境信息，后续只需finetune最后的输出层即可适配下游任务；
GPT等预训练语言模型主要用于文本生成类任务，需要通过prompt方法来应用于下游任务，指导模型生成特定的输出。

BERT结构

BERT模型本质上是结合了ELMo模型与GPT模型的优势。

相比于ELMo，BERT仅需改动最后的输出层，而非模型架构，便可以在下游任务中达到很好的效果；
相比于GPT，BERT在处理词元表示时考虑到了双向上下文的信息；

BERT通过两种无监督任务（Masked Language Modelling 和 Next Sentence Prediction）进行预训练，其次，在下游任务中对预训练Transformer编码器的所有参数进行微调，额外的输出层将从头开始训练。

Reference: The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning)

BERT（Bidirectional Encoder Representation from Transformers）是由Transformer的Encoder层堆叠而成，BERT的模型大小有如下两种：

BERT BASE：与Transformer参数量齐平，用于比较模型效果（110M parameters）
BERT LARGE：在BERT BASE基础上扩大参数量，达到了当时各任务最好的结果（340M parameters）

model	blocks	hidden size	attention heads
Transformer	6	512	8
BERT BASE	12	768	12
BERT LARGE	24	1024	16

Reference: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

接受输入序列后，BERT会输出每个位置对应的向量（长度等于hidden size），在后续下游任务中，我们会选取与任务相关的位置的向量，输入到最终输出层中得到结果。

如在诈骗邮件分类任务中，我们会将表示句子级别信息的[CLS] token所对应的vector，放入classfier中，得到对spam/not spam分类的预测。

BERT 输入

针对句子对相关任务，将两个句子合并为一个句子对输入到Encoder中，[CLS] + 第一个句子 + [SEP] + 第二个句子 + [SEP];
针对单个文本相关任务，[CLS] + 句子 +
[SEP]。

在诈骗邮件分类中，输入为单个句子，在拆分为tokens后，在序列首尾分别添加[CLS]与[SEP]即可。

# install mindnlp
!pip install git+https://openi.pcl.ac.cn/lvyufeng/mindnlpfrom mindnlp.transforms.tokenizers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
sequence = 'help prince mayuko transfer huge inheritance'
model_inputs = tokenizer(sequence)
print(model_inputs)
tokens = []
for index in model_inputs:tokens.append(tokenizer.id_to_token(index))
print(tokens)

BERT Embedding

输入到BERT模型的信息由三部分内容组成：

表示内容的token ids
表示位置的position ids
用于区分不同句子的token type ids

三种信息分别进入Embedding层，得到token embeddings、position embeddings与segment embeddings；与Transformer不同，以上三种均为可学习的信息。

图片来源：Devlin, J.; Chang, M. W.; Lee, K.; Toutanova, K. BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805, 2018.

import mindspore
from mindspore import nn
import mindspore.common.dtype as mstype
from mindspore.common.initializer import initializer, TruncatedNormalclass BertEmbeddings(nn.Cell):"""Embeddings for BERT, include word, position and token_type"""def __init__(self, config):super().__init__()self.word_embeddings = nn.Embedding(config.vocab_size, config.hidden_size, embedding_table=TruncatedNormal(config.initializer_range))self.position_embeddings = nn.Embedding(config.max_position_embeddings, config.hidden_size, embedding_table=TruncatedNormal(config.initializer_range))self.token_type_embeddings = nn.Embedding(config.type_vocab_size, config.hidden_size, embedding_table=TruncatedNormal(config.initializer_range))self.layer_norm = nn.LayerNorm((config.hidden_size,), epsilon=config.layer_norm_eps)self.dropout = nn.Dropout(1 - config.hidden_dropout_prob)def construct(self, input_ids, token_type_ids=None, position_ids=None):seq_len = input_ids.shape[1]if position_ids is None:position_ids = mnp.arange(seq_len)position_ids = position_ids.expand_dims(0).expand_as(input_ids)if token_type_ids is None:token_type_ids = ops.zeros_like(input_ids)words_embeddings = self.word_embeddings(input_ids)position_embeddings = self.position_embeddings(position_ids)token_type_embeddings = self.token_type_embeddings(token_type_ids)embeddings = words_embeddings + position_embeddings + token_type_embeddingsembeddings = self.layer_norm(embeddings)embeddings = self.dropout(embeddings)return embeddings

BERT 模型构建

BERT模型的构建与上一节课程的Transformer Encoder构建类似。

分别构建multi-head attention层，feed-forward network，并在中间用add&norm连接，最后通过线性层与softmax层进行输出。

BERT self-attention 层

class BertSelfAttention(nn.Cell):"""Self attention layer for BERT."""def __init__(self,  config):super().__init__()if config.hidden_size % config.num_attention_heads != 0:raise ValueError(f"The hidden size {config.hidden_size} is not a multiple of the number of attention "f"heads {config.num_attention_heads}")self.output_attentions = config.output_attentionsself.num_attention_heads = config.num_attention_headsself.attention_head_size = int(config.hidden_size / config.num_attention_heads)self.all_head_size = self.num_attention_heads * self.attention_head_sizeself.query = nn.Dense(config.hidden_size, self.all_head_size, \weight_init=TruncatedNormal(config.initializer_range))self.key = nn.Dense(config.hidden_size, self.all_head_size, \weight_init=TruncatedNormal(config.initializer_range))self.value = nn.Dense(config.hidden_size, self.all_head_size, \weight_init=TruncatedNormal(config.initializer_range))self.dropout = Dropout(config.attention_probs_dropout_prob)self.softmax = nn.Softmax(-1)self.matmul = Matmul()def transpose_for_scores(self, input_x):"""transpose for scores[batch_size, seq_len, num_heads, head_size] to [batch_size, num_heads, seq_len, head_size]"""new_x_shape = input_x.shape[:-1] + (self.num_attention_heads, self.attention_head_size)input_x = input_x.view(*new_x_shape)return input_x.transpose(0, 2, 1, 3)def construct(self, hidden_states, attention_mask=None, head_mask=None):mixed_query_layer = self.query(hidden_states)mixed_key_layer = self.key(hidden_states)mixed_value_layer = self.value(hidden_states)query_layer = self.transpose_for_scores(mixed_query_layer)key_layer = self.transpose_for_scores(mixed_key_layer)value_layer = self.transpose_for_scores(mixed_value_layer)attention_scores = self.matmul(query_layer, key_layer.swapaxes(-1, -2))attention_scores = attention_scores / ops.sqrt(Tensor(self.attention_head_size, mstype.float32))if attention_mask is not None:attention_scores = attention_scores + attention_maskattention_probs = self.softmax(attention_scores)attention_probs = self.dropout(attention_probs)if head_mask is not None:attention_probs = attention_probs * head_maskcontext_layer = self.matmul(attention_probs, value_layer)context_layer = context_layer.transpose(0, 2, 1, 3)new_context_layer_shape = context_layer.shape[:-2] + (self.all_head_size,)context_layer = context_layer.view(*new_context_layer_shape)outputs = (context_layer, attention_probs) if self.output_attentions else (context_layer,)return outputs

BERT self-attention 输出层

BERTSelfOutput：residual connection + layer normalization
BERTAttention: self-attention + add&norm

class BertSelfOutput(nn.Cell):r"""Bert Self Outputself-attention output + residual connection + layer norm"""def __init__(self, config):super().__init__()self.dense = nn.Dense(config.hidden_size, config.hidden_size, \weight_init=TruncatedNormal(config.initializer_range))self.layer_norm = nn.LayerNorm((config.hidden_size,), epsilon=1e-12)self.dropout = Dropout(config.hidden_dropout_prob)def construct(self, hidden_states, input_tensor):hidden_states = self.dense(hidden_states)hidden_states = self.dropout(hidden_states)hidden_states = self.layer_norm(hidden_states + input_tensor)return hidden_states

BERT feed-forward 层

class BertIntermediate(nn.Cell):r"""Bert Intermediate"""def __init__(self, config):super().__init__()self.dense = nn.Dense(config.hidden_size, config.intermediate_size, \weight_init=TruncatedNormal(config.initializer_range))self.intermediate_act_fn = ACT2FN[config.hidden_act]def construct(self, hidden_states):hidden_states = self.dense(hidden_states)hidden_states = self.intermediate_act_fn(hidden_states)return hidden_states

BERT 最后的Add&Norm

class BertOutput(nn.Cell):r"""Bert Output"""def __init__(self, config):super().__init__()self.dense = nn.Dense(config.intermediate_size, config.hidden_size, \weight_init=TruncatedNormal(config.initializer_range))self.layer_norm = nn.LayerNorm((config.hidden_size,), epsilon=1e-12)self.dropout = Dropout(config.hidden_dropout_prob)def construct(self, hidden_states, input_tensor):hidden_states = self.dense(hidden_states)hidden_states = self.dropout(hidden_states)hidden_states = self. layer_norm(hidden_states + input_tensor)return hidden_states

BERT Encoder

BertLayer：Encoder Layer，集合了self-attention, feed-forward并通过add&norm连接
BertEnocoder：通过Encoder Layer堆叠起来的Encoder结构

class BertLayer(nn.Cell):r"""Bert Layer"""def __init__(self, config):super().__init__()self.attention = BertAttention(config)self.intermediate = BertIntermediate(config)self.output = BertOutput(config)def construct(self, hidden_states, attention_mask=None, head_mask=None):attention_outputs = self.attention(hidden_states, attention_mask, head_mask)attention_output = attention_outputs[0]intermediate_output = self.intermediate(attention_output)layer_output = self.output(intermediate_output, attention_output)outputs = (layer_output,) + attention_outputs[1:]return outputsclass BertEncoder(nn.Cell):r"""Bert Encoder"""def __init__(self, config):super().__init__()self.output_attentions = config.output_attentionsself.output_hidden_states = config.output_hidden_statesself.layer = nn.CellList([BertLayer(config) for _ in range(config.num_hidden_layers)])def construct(self, hidden_states, attention_mask=None, head_mask=None):all_hidden_states = ()all_attentions = ()for i, layer_module in enumerate(self.layer):if self.output_hidden_states:all_hidden_states += (hidden_states,)layer_outputs = layer_module(hidden_states, attention_mask, head_mask[i])hidden_states = layer_outputs[0]if self.output_attentions:all_attentions += (layer_outputs[1],)if self.output_hidden_states:all_hidden_states += (hidden_states,)outputs = (hidden_states,)if self.output_hidden_states:outputs += (all_hidden_states,)if self.output_attentions:outputs += (all_attentions,)return outputs

BERT 输出

BERT会针对每一个位置输出大小为hidden size的向量，在下游任务中，会根据任务内容的不同，选取不同的向量放入输出层。

我们一般称[CLS]经过线性层+激活函数tanh的输出为pooler output，用于句子级别的分类/回归任务;
我们一般称BERT输出的每个位置对应的vector为sequence output,用于词语级别的分类任务；

BERT Pooler

class BertPooler(nn.Cell):r"""Bert Pooler"""def __init__(self, config):super().__init__()self.dense = nn.Dense(config.hidden_size, config.hidden_size, \activation='tanh', weight_init=TruncatedNormal(config.initializer_range))def construct(self, hidden_states):first_token_tensor = hidden_states[:, 0]pooled_output = self.dense(first_token_tensor)return pooled_output

BERT 预训练

BERT通过Masked LM（masked language model）与NSP（next sentence prediction）获取词语和句子级别的特征。

图片来源：Devlin, J.; Chang, M. W.; Lee, K.; Toutanova, K. BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805, 2018.

Masked LM

BERT模型通过Masked LM捕捉词语层面的信息。

我们随机将每个句子中15%的词语进行遮盖，替换成掩码<mask>。在训练过程中，模型会对句子进行“完形填空”，预测这些被遮盖的词语是什么，通过减小被mask词语的损失值来对模型进行优化。

图片来源: The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning)

由于<mask>仅在预训练中出现，为了让预训练和微调中的数据处理尽可能接近，我们在随机mask的时候进行如下操作：

80%的概率替换为<mask>
10%的概率替换为文本中的随机词
10%的概率不进行替换，保持原有的词元

我们通过BERTPredictionHeadTranform实现单层感知机，对被遮盖的词元进行预测。在前向网络中，我们需要输入BERT模型的编码结果hidden_states。

activation_map = {'relu': nn.ReLU(),'gelu': nn.GELU(False),'gelu_approximate': nn.GELU(),'swish':nn.SiLU()
}class BertPredictionHeadTransform(nn.Cell):def __init__(self, config):super().__init__()self.dense = nn.Dense(config.hidden_size, config.hidden_size, weight_init=TruncatedNormal(config.initializer_range))self.transform_act_fn = activation_map.get(config.hidden_act, nn.GELU(False))self.layer_norm = nn.LayerNorm((config.hidden_size,), epsilon=config.layer_norm_eps)def construct(self, hidden_states):hidden_states = self.dense(hidden_states)hidden_states = self.transform_act_fn(hidden_states)hidden_states = self.layer_norm(hidden_states)return hidden_states

根据被遮盖的词元位置masked_lm_positions，获得这些词元的预测输出。

import mindspore.ops as ops
import mindspore.numpy as mnp
from mindspore import Parameter, Tensorclass BertLMPredictionHead(nn.Cell):def __init__(self, config):super(BertLMPredictionHead, self).__init__()self.transform = BertPredictionHeadTransform(config)self.decoder = nn.Dense(config.hidden_size, config.vocab_size, has_bias=False, weight_init=TruncatedNormal(config.initializer_range))self.bias = Parameter(initializer('zeros', config.vocab_size), 'bias')def construct(self, hidden_states, masked_lm_positions):batch_size, seq_len, hidden_size = hidden_states.shapeif masked_lm_positions is not None:flat_offsets = mnp.arange(batch_size) * seq_lenflat_position = (masked_lm_positions + flat_offsets.reshape(-1, 1)).reshape(-1)flat_sequence_tensor = hidden_states.reshape(-1, hidden_size)hidden_states = ops.gather(flat_sequence_tensor, flat_position, 0)hidden_states = self.transform(hidden_states)hidden_states = self.decoder(hidden_states) + self.biasreturn hidden_states

NSP

BERT通过NSP捕捉句子级别的信息，使其可以理解句子与句子之间的联系，从而能够应用于问答或者推理任务。

NSP本质上是一个二分类任务，通过输入一个句子对，判断两句话是否为连续句子。输入的两个句子A和B中，B有50%的概率是A的下一句。

图片来源: The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning)

另外，输入的内容最好是document-level的语料，而非sentence-level的语料，这样训练出的模型可以具备抓取长序列特征的能力。

在这里，我们使用一个单隐藏层的多层感知机BERTPooler进行二分类预测。因为特殊占位符在预训练中对应了句子级别的特征信息，所以多层感知机分类器只需要输出对应的隐藏层输出。

class BertPooler(nn.Cell):def __init__(self, config):super(BertPooler, self).__init__()self.dense = nn.Dense(config.hidden_size, config.hidden_size, activation='tanh', weight_init=TruncatedNormal(config.initializer_range))def construct(self, hidden_states):first_token_tensor = hidden_states[:, 0]pooled_output = self.dense(first_token_tensor)return pooled_output

最后，多层感知机分类器的输出通过一个线性层self.seq_relationship，输出对nsp的预测。

在BERTPreTrainingHeads中，我们对以上提到的两种方式进行整合。最终输出Maked LM（prediction scores）和NSP（seq_realtionship_score）的预测结果。

class BertPreTrainingHeads(nn.Cell):def __init__(self, config):super(BertPreTrainingHeads, self).__init__()self.predictions = BertLMPredictionHead(config)self.seq_relationship = nn.Dense(config.hidden_size, 2, weight_init=TruncatedNormal(config.initializer_range))def construct(self, sequence_output, pooled_output, masked_lm_positions):prediction_scores = self.predictions(sequence_output, masked_lm_positions)seq_relationship_score = self.seq_relationship(pooled_output)return prediction_scores, seq_relationship_score

BERT预训练代码整合

我们将上述的类进行实例化，并借此回顾一下BERT预训练的整体流程。

BertModel构建BERT模型；
BertPretrainingHeads整合了Masked LM与NSP两个训练任务，输出预测结果；
- BertLMPredictionHead：输入BERT编码与<mask>的位置，输出对应位置词元的预测；
- BERTPooler：输入BERT编码，输出对<cls>的隐藏状态，并在BertPretrainingHeads中通过线性层输出预测结果；

class BertForPretraining(nn.Cell):def __init__(self, config, *args, **kwargs):super().__init__(config, *args, **kwargs)self.bert = BertModel(config)self.cls = BertPreTrainingHeads(config)self.vocab_size = config.vocab_sizeself.cls.predictions.decoder.weight = self.bert.embeddings.word_embeddings.embedding_tabledef construct(self, input_ids, attention_mask=None, token_type_ids=None, position_ids=None, head_mask=None, masked_lm_positions=None):outputs = self.bert(input_ids,attention_mask=attention_mask,token_type_ids=token_type_ids,position_ids=position_ids,head_mask=head_mask)sequence_output, pooled_output = outputs[:2]prediction_scores, seq_relationship_score = self.cls(sequence_output, pooled_output, masked_lm_positions)outputs = (prediction_scores, seq_relationship_score,) + outputs[2:]return outputs

课程ppt及代码地址

github地址（网络不好的可以访问下面我克隆到gitee上的地址）：BERT
gitee地址：BERT

2、学习心得：

通过本次学习，熟悉了Mindspore这个国产深度学习框架，也对BERT的基本技术原理有所了解，最重要的是能够通过BERT完成一个简单的情感分类的任务，这让我十分有成就感！！！另外除了bert相关的技术原理，峰哥还拓展了混合精度训练原理，分布式并行原理，真的非常不错！

3、经验分享：

在启智openI上的npu跑时记得使用mindspore1.7的镜像，同时安装对应mindnlp的版本，不然可能会因为版本不兼容而报错。

4、课程反馈：

本次课程中的代码串讲我觉得是做的最好的地方，没有照着ppt一直念，而是在jupyter上把代码和原理结合到一块进行讲解，让学习者对代码的理解更加深入。我觉得内容的最后可以稍微推荐一下与Mindspore大模型相关的套件，让学习者在相关套件上可以开发出更多好玩和有趣的东西！

5、使用MindSpore昇思的体验和反馈：

MindSpore昇思的优点和喜欢的方面：

灵活性和可扩展性： MindSpore提供了灵活的编程模型，支持静态计算图和动态计算图。这种设计使得它适用于多种类型的机器学习和深度学习任务，并且具有一定的可扩展性。
跨平台支持： MindSpore支持多种硬件平台，包括CPU、GPU和NPU等，这使得它具有在不同设备上运行的能力，并能充分利用各种硬件加速。
自动并行和分布式训练： MindSpore提供了自动并行和分布式训练的功能，使得用户可以更轻松地处理大规模数据和模型，并更高效地进行训练。
生态系统和社区支持： MindSpore致力于建立开放的生态系统，并鼓励社区贡献，这对于一个开源框架来说非常重要，能够帮助用户更好地学习和解决问题。

一些建议和改进方面：