LeonYi

【预训练语言模型】BERT原理解析、常见问题和微调实战

 一、BERT原理

1、概述

       背景：通过在大规模语料上预训练语言模型，可以显著提高其在NLP下游任务的表现。
       动机：限制模型潜力的主要原因在于现有模型使用的都是单向的语言模型（例如GPT），无法充分了解到单词所在的上下文结构（主要是在判别性任务上，分类、抽取等）。
       Idea:  受完形填空的启发，BERT通过使用 Masked Language Model(MLM) 的预训练目标来缓解单向语言模型的约束。
       实现：引入Masked Language Model  + Next sentence prediction 两个预训练任务
               1） Masked Language Model任务会随机屏蔽（masked）15%的token，然后让模型根据上下文来预测被Mask的token（被Mask的变成了标签）。
                    最后，将masked token 位置输出的最终隐层向量送入softmax，来预测masked token。
               2） Next sentence prediction任务预训练针对文本对，预测句子间的关系（从 token-level 提升到 sentence-level，以应用不同种类的下游任务）。

2、BERT模型

       BERT：分为pre-training 和 fine-tuning，两个阶段。
  • pre-training 阶段，BERT 在无标记的数据上进行无监督学习；
  • fine-tuning 阶段，BERT利用预训练的参数初始化模型，并利用下游任务标记好的数据进行有监督学习，并对所有参数进行微调。
所有下游任务都有单独的 fine-tuning 模型，即使是使用同样的预训练参数。
 
下图是对 BERT 的一个概览：
0
 

2.1、模型架构

       BERT 是由多层双向的 Transformer Encoder 结构组成，区别于 GPT 的单向的 Transformer Decoder （自回归）架构。
0

2.2、输入

      为了能应对下游任务，BERT 给出了 sentence-level 级别的 Representation，包括句子和句子对。在 BERT 中 sequence 并不一定是一个句子，也有可能是任意的一段连续的文本；而句子对主要是因为类似 QA 问题。
      BERT 的输入：
0
       分为三块：Token Embeddings、Segment Embeddings 和 Position Embeddings
  • Token Embeddings 采用的 WordPiece Tokenizer进行分词，词表数量为30000。每个 sequence 会以一个特殊的 classification token [CLS] 开始，同时这也会作为分类任务的输出；句子间会以 special seperator token [SEP] 进行分割。
  •  Segment Embedding也可以用来分割句子，但主要用来区分句子对。Embedding A 和 Embedding B 分别代表左右句子，如果是普通的句子就直接用 Embedding A。
  •   Position Embedding 是用来给词元Token定位的，学习出来的embedding向量。这与Transformer不同，Transformer中是预先设定好的值。
       BERT 最终的 input 是三种不同的 Embedding 直接相加。

WordPiece Tokenizer分词器：采用 BPE 双字节编码，在单词进行拆分，比如 “loved” “loving” ”loves“ 会拆分成 “lov”，“ed”，“ing”，“es”。

2.3、预训练Pre-training

       BERT 采用两种无监督任务来进行预训练，两个任务同时训练，所以 BERT 的损失函数是两个任务的损失函数相加： 
1） token-level 级别的 Masked LM；  
2） sentence-level 级别的 Next Sentence Prediction。

2.3.1、任务一：Masked LM

0

       为解决双向模型的数据泄漏的问题，Masked LM：随机屏蔽一些token 并通过上下文预测这些 token。
       在实验中，BERT 会随机屏蔽每个序列中的 15% 的 token，并用 [MASK] token 来代替。这会带来一个问题：[MASK] token 不会出现在下游任务中。
 
       为了和后续任务保持一致，采用以下三种方式来代替 [MASK] token：如：my dog is hairy
  • 80% 的 [MASK] token 会继续保持 [MASK]；—my dog is [MASK]
  • 10% 的 [MASK] token 会被随机的一个单词取代；my dog is apple
  • 10% 的 [MASK] token 会保持原单词不变（但是还是要预测）my dog is hairy
       最终 Masked ML 的损失函数是只由被 [MASK] 的部分来计算：
  • 在 encoder 的输出上添加一个前馈神经网络，将其转换为词汇的维度
  • softmax 计算词汇表中每个单词的概率
      BERT 的损失函数只考虑了 mask 的预测值（所以对训练语料的利用率实际并不如GPT）。

2.3.2、任务二：Next Sentence Prediction

0

       由于语言模型只能捕捉 token-level 级别的关系，为了捕捉 sentence-level 级别的关系，训练了一个 sentence-level 的分类任务。
具体来说，训练的输入是句子A和B (句子级负采样)：
  • B有一半的几率是A的下一句，即正例；
  • B有一半的几率是随机取一个句子作为负例。
通过 classification token 连接 Softmax 输出B是不是A的下一句。
    为了帮助模型区分开训练中的两个句子，输入在进入模型之前要按以下方式进行处理：在第一个句子的开头插入 [CLS] 标记，在每个句子的末尾插入 [SEP] 标记。Segemet Embeding来表示不同的句子。
       在训练 BERT 模型时，Masked LM 和 Next Sentence Prediction 是一起训练的，目标就是要最小化两种策略的组合损失函数。

2.4、微调Fine-tuning

       由于BERT的预训练已经完成了句子和句子对的 Representation，所以它的 Fine-tuning 非常简单。 
       针对不同的NLP下游任务，只需在BERT输出后添加其他模块（如线性层、CNN、CRF等），并将具体的输入和输出输入 BERT 中，并端到端地微调模型参数即可。
  • a、b 是 sentence-level 级别的任务，类似句子分类，情感分析等等，输入句子或句子对，在 [CLS] 位置接入 Softmax 输出 Label；      
  • c是token-level级别的任务，比如 QA 问题，输入问题和段落，在 Paragraph 对应输出的 hidden vector 后接上两个 Softmax 层，分别训练出 Span 的 Start index 和 End index（连续的 Span）作为 Question 的答案；      
  • d也是token-level级别的任务，比如命名实体识别问题，接上 Softmax 层即可输出具体的分类。

 

例如：

在分类任务中，例如情感分析等，只需要在 Transformer 的输出之上加一个分类层

0

在命名实体识别（NER）中，系统需要接收文本序列，标记文本中的各种类型的实体（人员，组织，日期等）。 可以用 BERT 将每个 token 的输出向量送到预测 NER 标签的分类层。

0
在句子关系蕴含（自然语言推断任务）或相似匹配任务中，构造输入sentence1和sentence1，以及lable即可。
0
 
在QA任务中，问答系统需要接收有关文本序列的 question，并且需要在序列中标记 answer。
可以使用 BERT 学习两个标记 answer 开始和结尾的向量（指针网络，预测span）来训练Q＆A模型。
0

3. 结论

       BERT采用Pre-training和Fine-tuning两阶段训练任务（源于GPT）：
       1）在Pre-training阶段使用多层双向Transformer Encoder进行训练，并采用Masked LM 和 Next Sentence Prediction两种训练任务解决 token-level 和 sentence-level 的问题，为下游任务提供了一个通用的模型框架；
       2）在 Fine-tuning 阶段会针对具体 NLP 任务进行微调以适应不同种类的任务需求，并通过端到端的训练更新参数从而得到最终的模型。
 
BERT优点：
  •  BERT的Transformer Encoder的Self-Attention结构能较好地建模上下文，而且在经过在语料上预训练后，能获取到输入文本较优质的语义表征。
  •  BERT的MLP和NSP联合训练，让其能适配下游多任务（Token级别和句子级别）的迁移学习
BERT缺点：
  • [MASK] token在推理时不会出现，因此训练时用过多的[MASK]会影响模型表现（需要让下游任务去适配预训练语言模型，而不是让预训练语言模型主动针对下游任务做优化）
  • 每个batch只有15%的token被预测，所以BERT收敛得比left-to-right模型要慢（BERT对语料的利用低。而GPT对语料的利用率更高，它几乎能利用句子的每个token）；
  • BERT的上下文长度固定为512，输入过长需要阶段（对长文本不友好）

二、BERT答疑

1、三个Embedding怎么来的

在BERT中，Token，Position，Segment Embeddings 都是通过学习来得到的，pytorch代码中它们是这样的：
self.word_embeddings = Embedding(config.vocab_size, config.hidden_size)
self.position_embeddings = Embedding(config.max_position_embeddings, config.hidden_size)
self.token_type_embeddings = Embedding(config.type_vocab_size, config.hidden_size)
BERT 能够处理对输入句子对的分类任务。这类任务就像判断两个文本是否是语义相似的。句子对中的两个句子被简单的拼接在一起后送入到模型中。
那BERT如何去区分一个句子对中的两个句子呢？答案就是segment embeddings.
0
  
from transformers import AutoTokenizer

checkpoint = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
tokenized_sentences_1 = tokenizer(raw_datasets["train"]["sentence1"])
tokenized_sentences_2 = tokenizer(raw_datasets["train"]["sentence2"])
nputs = tokenizer("This is the first sentence.", "This is the second one.")

inputs

 结果：input_ids为token ids,  token_type_ids用于区分两个toke序列（对应segment embeddings）

{'input_ids': [101, 2023, 2003, 1996, 2034, 6251, 1012, 102, 2023, 2003, 1996, 2117, 2028, 1012, 102], 
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1], 
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
}

　　

反tokenize

tokenizer.convert_ids_to_tokens(inputs["input_ids"])

结果

['[CLS]',
 'this',
 'is',
 'the',
 'first',
 'sentence',
 '.',
 '[SEP]',
 'this',
 'is',
 'the',
 'second',
 'one',
 '.',
 '[SEP]']

　　

2、不考虑多头的原因，self-attention中词向量不乘QKV参数矩阵，会有什么问题？

Self-Attention的核心是用文本中的其它词来增强目标词的语义表示，从而更好的利用上下文的信息。
self-attention中，sequence中的每个词都会和sequence中的每个词做点积去计算相似度，也包括这个词本身。
 

3、为什么BERT选择mask掉15%这个比例的词，可以是其他的比例吗？

BERT采用的Masked LM，会选取语料中所有词的15%进行随机mask。论文表示受到完形填空任务的启发，但与CBOW也有异曲同工之妙。 从CBOW的角度，有一个比较好的解释是：在一个大小为w的窗口中随机选一个词，类似CBOW中滑动窗口的中心词，区别是这里的滑动窗口是非重叠的。 从CBOW的滑动窗口角度，10%~20%都是还ok的比例。
 

4、为什么BERT在第一句前会加一个[CLS]标志?

BERT在第一句前会加一个CLS]标志，最后一层该位对应向量可以作为整句话的语义表示，从而用于下游的分类任务等。与文本中已有的其它词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息，从而更好的表示整句话的语义

 

5、Self-Attention 的时间复杂度是怎么计算的？

O(n^2 d) 相加的
 

6、Transformer在哪里做了权重共享，为什么可以做权重共享？

Transformer在两个地方进行了权重共享：
（1）Encoder和Decoder间的Embedding层权重共享；
（2）Decoder中Embedding层和FC层权重共享。
解码的词，要有embedding,同时也可作为分类器权重。，Embedding层可以说是通过onehot去取到对应的embedding向量，FC层可以说是相反的，通过向量（定义为 x）去得到它可能是某个词的softmax概率，取概率最大。
FC层的每一行量级相同的前提下，理论上和 x 相同的那一行对应的点积和softmax概率会是最大的（内积）。 通过这样的权重共享可以减少参数的数量，加快收敛。
 

7、BERT非线性的来源在哪里？

FFN的gelu激活函数, Self-Attention的多头融合， 多层Transformer Encoder堆叠
 

8. BERT参数量

Bert采用的vocab_size=30522，hidden_size=768，max_position_embeddings=512
LN参数，gamma和beta的维度均为768。因此总参数为768 * 2 + 768 * 2 * 2 * 12（层数）
 
模型参数Bert模型的版本如下：
  •        BERT-BASE-Uncase (L=12, H=768, A=12, Total Parameters=110M) 
  •        BERT-LARGE-Uncase (L=24, H=1024, A=16, Total Parameters=340M)
       L指TransformerEncoder层数，即LayerNum, H指自注意力的表示维度，即HeadDim, A指注意力的头数

 三、BERT调包和微调

BERT有两个约束条件。
  • 1. 所有的句子必须被填充或截断成一个固定的长度。
  • 2. 最大的句子长度是512个tokens。
填充是通过一个特殊的"[PAD]"token来完成的，它在BERT词汇表中的索引0。下面的插图演示了填充到8个token的 "MAX_LEN"。
0
"注意力遮盖"只是一个1和0的数组，表示哪些标记是padding，哪些不是。
这个掩码告诉BERT中的"自我关注"机制，不要将这些pad标记纳入它对句子的解释中。
（还有点类似Decoder，不过这是为了对其句子用，而不是为了自回归）
 
不过，最大长度确实会影响训练和评估速度。例如，用特斯拉K80。
MAX_LEN = 128 --> 训练一个 epoch 需要 5:28
MAX_LEN = 64 --> 训练一个 epoch 需要 2:57。
 
现在我们准备好执行真正的 tokenization 了。tokenizer.encode_plus函数为我们结合了多个步骤。
  1. 将句子分割成token。
  2. 添加特殊的[CLS]和[SEP]标记。
  3. 将这些标记映射到它们的ID上。
  4. 把所有的句子都垫上或截断成相同的长度。
  5. 创建注意力Masl，明确区分真实 token 和[PAD]token。
 
以下是HuggingFace目前提供的类列表，供微调。
  • BertModel
  • BertForPreTraining
  • BertForMaskedLM
  • BertForNextSentencePrediction(下句预测)
  • BertForSequenceClassification - 我们将使用的那个。
  • BertForTokenClassification
  • BertForQuestionAnswering
import torch
from transformers import AdamW,  AutoTokenizer,  AutoModelForSequenceClassification

# Same as before
checkpoint = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
sequences = [
    "I've been waiting for a HuggingFace course my whole life.",
    "This course is amazing!",
]
batch = tokenizer(sequences, padding=True, truncation=True, return_tensors="pt")

# This is new
batch["labels"] = torch.tensor([1, 1])

optimizer = AdamW(model.parameters())
loss = model(**batch).loss
loss.backward()
optimizer.step()

代码源自huggingface Transformer库教程

参考

posted @ 2023-04-15 23:16  LeonYi  阅读(1481)  评论(0)  编辑  收藏  举报