本文概览：

1. Autoregressive语言模型与Autoencoder语言模型

1.1 语言模型概念介绍

Autoregressive语言模型：指的是依据前面（或后面）出现的单词来预测当前时刻的单词，代表有 ELMo， GPT等。

Autoencoder语言模型：通过上下文信息来预测被mask的单词，代表有 BERT , Word2Vec(CBOW) 。

1.2 二者各自的优缺点

Autoregressive语言模型：

• 缺点： 它只能利用单向语义而不能同时利用上下文信息。ELMo通过双向都做Autoregressive模型，然后进行拼接，但从结果来看，效果并不是太好。

• 优点：对生成模型友好，天然符合生成式任务的生成过程。这也是为什么 GPT 能够编故事的原因。

Autoencoder语言模型：

• 缺点：由于训练中采用了 [MASK] 标记，导致预训练数据与微调阶段数据不一致的问题。BERT独立性假设问题，即没有对被遮掩（Mask）的 token 之间的关系进行学习。此外对于生成式问题，Autoencoder模型也显得捉襟见肘。

• 优点：能够很好的编码上下文语义信息（即考虑句子的双向信息）， 在自然语言理解相关的下游任务上表现突出。

2. DAE与Masked Language Model

2.1 AutoEncoder

如下图所示，AutoEncoder框架包含两大模块：编码过程和解码过程。通过

将输入样本

映射到特征空间

，即编码过程；然后再通过

将抽象特征

映射回原始空间得到重构样本

，即解码过程。优化目标则是通过最小化重构误差来同时优化encoder和decoder，从而学习得到针对输入样本

的抽象特征表示

。

这里我们可以看到，AutoEncoder在优化过程中无需使用样本的label，本质上是把样本的输入同时作为神经网络的输入和输出，通过最小化重构误差希望学习到样本的抽象特征表示

。这种无监督的优化方式大大提升了模型的通用性。

对于基于神经网络的AutoEncoder模型来说，则是encoder部分通过逐层降低神经元个数来对数据进行压缩；decoder部分基于数据的抽象表示逐层提升神经元数量，最终实现对输入样本的重构。

这里值得注意的是，由于AutoEncoder通过神经网络来学习每个样本的唯一抽象表示，这会带来一个问题：当神经网络的参数复杂到一定程度时AutoEncoder很容易存在过拟合的风险。

2.2 Denoising AutoEncoder(DAE)

为了缓解经典AutoEncoder容易过拟合的问题，一个办法是在输入中加入随机噪声，Vincent等人提出了Denoising AutoEncoder，即在传统AutoEncoder输入层加入随机噪声来增强模型的鲁棒性；另一个办法就是结合正则化思想，Rifai等人提出了Contractive AutoEncoder，通过在AutoEncoder目标函数中加上encoder的Jacobian矩阵范式来约束使得encoder能够学到具有抗干扰的抽象特征。

下图是Denoising AutoEncoder的模型框架。目前添加噪声的方式大多分为两种：

• 添加服从特定分布的随机噪声；

• 随机将输入x中特定比例的数值置为0；

DAE模型的优势：

• 通过与非破损数据训练的对比，破损数据训练出来的Weight噪声较小。因为擦除数据的时候不小心把输入噪声给擦掉了。

• 破损数据一定程度上减轻了训练数据与测试数据的代沟。由于数据的部分被擦掉了，因而这破损数据一定程度上比较接近测试数据。

推荐阅读论文：
【1】Extracting and composing robust features with denoising autoencoders, Pascal Vincent etc, 2008.
【2】Contractive auto-encoders: Explicit invariance during feature extraction, Rifai S etc, 2011.

2.3 DAE与Masked Language Model联系

• BERT模型是基于Transformer Encoder来构建的一种模型。

• BERT模型基于DAE(Denoising AutoEncoder，去燥自编码器)的，这部分在BERT中被称为Masked Language Model (MLM)。

• MLM并不是严格意义上的语言模型，它仅仅是训练语言模型的一种方式。BERT随机把一些单词通过MASk标签来代替，并接着去预测被MASk的这个单词，过程其实就是DAE的过程。

3.  Transformer模型回顾

Transformer模型使用经典的encoder-decoder架构，由encoder和decoder两部分组成。

• 下图左侧用
  
  
  

  
  
  
  
  框出来的，就是我们encoder的一层。encoder一共有
  
  
  
  
  
  层这样的结构。

• 下图右侧用
  
  
  

  
  
  
  
  框出来的，就是我们decoder的一层。decoder一共有
  
  
  
  
  
  层这样的结构。

• 输入序列经过Input Embedding和Positional Encoding相加后，输入到encoder中。

• 输出序列经过Output Embedding和Positional Encoding相加后，输入到decoder中。

• 最后，decoder输出的结果，经过一个线性层，然后计算
  
  
  

  
  
  
  
  
  
  
  
  
  
  
  
  
  
  。

3.1 Encdoer部分

输入是原始词表中词的

。接着进行Input Embedding，把词

转换成分布式的表示。在语言模型中词的顺序还是很重要的，因此Transformer加入了Positional Encoding，也就是加入了词的位置信息。encoder的输入是Input Embedding 加上对应位置的Positional Encoding。

Input Embedding 加上对应位置的Positional Encoding作为encoder的输入，首先会经过Multi-Head Attention，学习输入中词与词之间的相关性。接着是Add & Norm层，Add残差的方式对不同的输出相加，是借鉴CV中的残差网络思想解决梯度消失问题；Norm用的是Layer Norm。然后进行Feed Forward的前向计算，这一层就是全连接的神经网络。最后再接一层Add & Norm，防止梯度消失。

3.2 Decoder部分

通过encoder部分已经获得了所有输入的信息，把这些信息当作decoder后面Multi-Head Attention的输入，也就是self-attention中的

、

来自encoder部分输出的特征，

来自decoder部分的输入。

decoder之前解码出的单词当作本次decoder的输入，也是通过Output Embedding 加上对应位置的Positional Encoding输入到Masked Multi-Head Attention，再经过Add & Norm层，这里还把decoder输入和Masked Multi-Head Attention输出做了残差连接，最后得到的输出就是我们上面提到的

了。

把encoder部分获得的所有输入的信息和decoder前半部分得到的输入信息，一同送到后面这个Multi-Head Attention中，它学习哪些输入信息和之前输出信息的特征更有利于解码，最后还经过了Add & Norm层、Feed Forward层和Add & Norm层，得到了decoder的最终输出。

解码这里要特别注意一下，编码可以并行计算，一次性全部encoding出来，但是解码不是一次把所有序列解出来的，而是像RNN一样一个一个解出来的，因为要用前几个位置单词的结果当作self-attention的query。

3.3 Linear 和 Softmax

拿到decoder的输出做一个线性变换，最后通过一个

计算对应位置的输出词的概率。Transformer本次的输出当作下一步decoder的输入。

关于Transformer更详细的内容，可以参考我之前写的一篇文章：《Self-Attention与Transformer》

面试题：为什么NLP中的模型一般使用Layer Norm，而不是Batch Norm？

回答：

• 在CV中，深度网络中一般会嵌入批归一化（BatchNorm，BN）单元，比如ResNet；而NLP中，则往往向深度网络中插入层归一化（LayerNorm，LN）单元，比如Transformer。为什么在归一化问题上会有分歧呢？一个最直接的理由就是，BN用在NLP任务里实在太差了（相比LN），此外，BN还难以直接用在RNN中，而RNN是前一个NLP时代的最流行模型。虽然有大量的实验观测，表明NLP任务里普遍BN比LN差太多，但是迄今为止，依然没有一个非常严谨的理论来证明LN相比BN在NLP任务里的优越性。

• 基于我阅读过的文献，我个人认为：BatchNorm就是通过对batch size这个维度归一化来让分布稳定下来，有助于训练深度神经网络，是因为它可以让loss曲面变得更加平滑。LayerNorm则是通过对Hidden size这个维度归一化来让某层的分布稳定，主要作用是在训练初期缓解梯度消失和爆炸的问题，提升稳定性。

• 关于BatchNorm为什么在NLP问题上不work和LayerNorm在NLP问题上work的讨论，我强烈推荐大家阅读这篇文章《LayerNorm是Transformer的最优解吗？》

4. BERT模型

BERT的全称是Bidirectional Encoder Representation from Transformers，模型是基于Transformer中的Encoder并加上双向的结构，因此一定要熟练掌握Transformer的Encoder。BERT模型的主要创新点都在pre-train方法上，即用了Masked Language Model和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

在用Masked Language Model方法训练BERT的时候，随机把语料库中15%的单词做Mask操作。对于这15%的单词做Mask操作分为三种情况：80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变。

因为涉及到Question Answering (QA) 和 Natural Language Inference (NLI)之类的任务，增加了Next Sentence Prediction预训练任务，目的是让模型理解两个句子之间的联系。与Masked Language Model任务相比，Next Sentence Prediction更简单些，训练的输入是句子A和B，B有一半的几率是A的下一句，输入这两个句子，BERT模型预测B是不是A的下一句。

由于注意力计算开销是输入序列长度的平方，较长的序列会影响训练速度，为了加快实验中的预训练速度，所以90%的steps都用序列长度为128进行预训练，余下10%的steps预训练为512长度的输入。

BERT预训练之后，会保存它的Embedding table和

层Transformer权重（BERT-BASE）或

层Transformer权重（BERT-LARGE）。使用预训练好的BERT模型可以对下游任务进行Fine-tuning，比如：文本分类、相似度判断、阅读理解等。

5. BERT模型在实际场景的应用

BERT模型在现实中的应用：

• 情感分类：通过用户对商品评价来对商品质量问题进行分析，比如是否新鲜、服务问题等；

• 意图识别；

• 问答匹配；

• 槽位提取：BERT后接CRF来做命名实体识别；

6. BERT模型的预训练及其改进

7. BERT的Fine-tuning不同训练方式及常见的改进策略

7.1 Fine-tuning的不同训练方式

7.2 BERT的Fine-tuning中常见的改进策略

如果机器不足、预料不足，一般都会直接考虑用原始的BERT、Roberta、XLnet等在下游任务中微调，这样我们就不能在预训练阶段进行改进，只能在Fine-tuning阶段进行改进。改进方案如下图所示：

7.3 BERT在实践中的trick

• 筛选训练数据，剔除过短或者过长的数据；

• 尝试bert+conv, bert+conv+avg_max_pooling, bert_last_layer_concat等方式；

• 针对本场景数据，进行少步数的进一步预训练；

8. 总结

BERT模型作为当今NLP应用的大杀器，具有易于使用、稳定性强等诸多优点。本文深入了解BERT的原理，如何做到BERT的预训练改进以及Fine-tuning中所涉及到的常见改进策略。另外，本文也讲述了BERT模型在实际场景中的应用及在实践中的一些tricks。

9. Reference

本文部分内容是Microstrong在观看徐路在B站上讲解的视频《BERT模型精讲》的笔记，地址：https://www.bilibili.com/video/BV1M5411x7FZ?from=search&seid=7509511278753452725 ，剩余部分是Microstrong从BERT论文及下列参考文章中整理而来。

【1】Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:1810.04805, 2018.
【2】BERT模型精讲，地址：https://www.bilibili.com/video/BV1M5411x7FZ?from=search&seid=7509511278753452725
【3】LayerNorm是Transformer的最优解吗？，地址：https://mp.weixin.qq.com/s/W4gI9SWJm3MjbQHYgvFKbg
【4】The Illustrated Transformer，地址：https://jalammar.github.io/illustrated-transformer/
【5】一文看懂AutoEncoder模型演进图谱 - 深度的文章 - 知乎 https://zhuanlan.zhihu.com/p/68903857
【6】【NLP】Google BERT详解 - 李如的文章 - 知乎 https://zhuanlan.zhihu.com/p/46652512

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群请扫码进群：