语言模型-预训练模型（三）

传统方法与预训练方法的比较

思想解读： 预训练的概念就和我们人读书和工作一样；先是通过基础教育到大学毕业，学习了通用的基础知识，这个做大多数工作，我们都能够快速学习和上手。模型预训练同样如此；避免了每一个下游任务都从零开始训练模型

由于语言模型不需要特别的标注数据，所以非常适合做预训练的目标。

预训练方式 --BERT

Mask Language Model （MLM）

训练任务

1.完型填空
Bidirectional Language Model
a.依照一定概率，用[mask]掩盖文本中的某个字或词

b.通过遮住词两侧的内容，去预测被遮住的词

2.句子关系预测
Next Sentence Prediction
[CLS] 师徒四人历经艰险[SEP] 取得真经[SEP] -> True
[CLS] 师徒四人历经艰险[SEP] 火烧赤壁[SEP] -> False

释义: 通过上下两句话，去训练模型去判断是否为上下句子关系，即一个二分类任务。但是目前大家普遍不太使用该训练任务，因为这个规律模型比较容易学习到。

模型结构

BERT主要包含两个部分，第一部分是embedding层，以及在embedding层后面的网络结构。

与word2vec对比
区别：word2vec是静态的，而BERT是动态的；在相同的文本输入后，word2vec输出的向量是固定的，BERT通过embedding后，还需进行后续网络层的计算，那么就能抓住输入的字与字、词与词；即token之间的关系。并能够进行计算输出。

BERT结构-Embedding

释义图：

释义：

1.Token Embeddings就是传统的embedding；即将词或字转为对应的向量。所以它的大小：Word-list _Size * Vector_size 即词表大小和向量空间的大小
2.Segment Embeddings是由于训练任务中，需要区别两句话，前面我们说需要区分两句话是否为上下句；这里用两个向量就能够去标记是两句话，所以大小为：2 * Vector_size
3.Position Embeddings是对输入的数据进行位置标记，在初始版的BERT中，一条数据最多有512长度，即标记的向量最多512个；所以该层大小为：512 * Vector_size
4.加入 [CLS] [SEP] 来标记文本起始位置
5.上面3层embedding相加，就是整个embedding的结果；其大小为：World_Lenth(<=Position_Size) * Vector_Size
6.加和后会做Layer Normalization

BERT结构-Encoder

介绍： BERT的模型主体结构使用Google自己在17年提出的Transformer结构。

如下图：

详细释义：

1.embedding后得到输入X；这里的X1、X2可以理解为将输入复制了多份进入到自注意力模块训练
2.自注意力计算完后，需要经过一个线下层；才会进入下一个模块
3.Add & Normailize 是残差计算，这里会将自注意力计算后的结果加上输入注意力计算前的值;再过一个归一化层；这里加上原有值，即残差计算的目的：是为了使得模型搭的更深；因为self-attention会捕捉一些规律，但是也会遗失其他的信息；加上一个计算前的值（可以是前一层、也可以是前几层的值）就可以保留
4.前馈网络Feed Forward就是经过两个线性层；和一个激活层；注意点 在基础的BERT中，进入前馈网络的结构为：World_Length* Vector_Size；这里的两个线性层分别为：Vector_Size * 4Vector_Size；和 4Vector_Size * Vector_Size；所以第二个线性层计算后，输出仍然为：World_Length* Vector_Size。
5.最后再次经过一个残差计算，残差计算经过一个线性层计算后，就完成了一个基础的transformer结构

BERT结构-self-attention

示意图：
其中Z的计算公式：

释义：
1.我们先来梳理矩阵计算的情况

a.图中，x就是我们Embedding输入，是World_Length* Vector_Size
b.我们把x拆成3份，分别于紫色、黄色、蓝色的线下层想乘（Q、K、V）；我们最后计算的结果，对矩阵的形状是不变的；所以输出的形状需要为：World_Length* Vector_Size；那么线下层的形状就是：Vector_Size * Vector_Size
c.公式中，Q、K进行相乘；那么K需要进行转置，即K左上角T的含义；转置后，K的矩阵形状：Vector_Size * World_Length；所以Q、K相乘的结果为：World_Length * World_Length
d.Q、K相乘后，进行一些列操作，不影响矩阵的形状，继续与V相乘，结果Z的形状就是：World_Length* Vector_Size；即和输入的形状一致

2.Q*K.T和softmax的理解
Q*K.T即：World_Length * World_Length；这个World_Length就是我们输入的文本长度。
所以我们展开可有下面示意图：

注意： 矩阵中的数据，是不是就代表着，这个词与该句子中其他词的关系紧密程度呢。所以这行数据，就是这个字对这句话的注意力。
softmax作用： 就是归一化操作，即将字与句子中其他词的关系程度之和，归一化到1的区间中来。

3.根号下dk的理解
我们在前面说，Q、K、V是通过输入x和对应的线下层相乘得到的；其形状为：World_Length* Vector_Size；
重点关注
1.在进行后续Q、K.T相乘 和乘V的步骤之间，是对Q K V进行拆分的；
2.比如：基础版本BERT的Vector_size为768；这里拆分成12部分，即多头数量为12,；那么每一个Q的形状：World_Length * 64
3.上面拆分后，V也会同样拆分，分别进行计算，最后合并在一起得到：World_Length* Vector_Size
4.最后合并的矩阵再进行 除于根号dk；再归一化的操作：

示意图：

注意、总结： 在多个Q * K.T中，不管Q、K的Vector_Size 拆分成多少份，即有多少个多头计算；但是在这里计算的结果都是：World_Length * World_Length ；我们上面说了，就是词与句子中其他词的关系紧密程度。

注意核心理解比喻： 这里的多头，造成有多个World_Length * World_Length的结果，其实就是模型在不同维度，去找句子中词与词之间的关系。多头1找的是名称关系紧密程度、多头2找的是动词的关系紧密程度…

dk的值： 在基础版本的BERT中，dk是64，这个值是词向量维度：768与多头数量12的商。
dk作用： 因为softmax是将多个值的和归一化为1；根据softmax的函数特性，会出现在进行归一化的数中，有的比较大，归一化后就接近1；而小的数，就接近零了；这样对于模型的计算不好，这种接近零的值要尽量避免；所以先除于dk；使得值的差距被缩放；再进行归一化。