第一章——NLP通用框架BERT原理解读.md

第一章——NLP通用框架BERT原理解读

传统解决方案遇到的问题

传统的RNN网络

• 训练速度：无法加速训练，并行等

• Self-Attention机制（注意力），一段话中，不是每个词都重要，我们只需要关注重要的部分。如：等下我们把这些活干完，下班后我们一起去吃饭吧，我请客。是不是对于听的人来说主要是“一起吃饭，我请客”。

• word2vec：训练好词向量就永久不变了，不同的语境相同的词相同的向量，但这合理吗？就想我们在生气的时候说的傻子，和开心的时候说傻子，意思是完全不一样的，

Transformer整体架构如下

注意力机制的作用

• 对于输入的数据，我们的关注点是什么？
• 如何才能让计算机关注到这些有价值的信息？

如上，传入一段文本，如果我们没有强调注意什么，那么词向量结果可能是平行的，如果我们强调“eating”，那么“eating”这个词的词向量就会有所不同。

如果是人为的加权，告诉计算机哪个重要，这显然是不合实际的，应该让计算机自己发现哪些重要。

“it”在第一句中是指代“animal”，表示它太累了没有过去。

“it”在第二句中指代“street”，表示路太窄了没有过去。

这里关注的是“animal”，我们希望即使是第二句，“animal”对结果的影响越大。

Self-Attention计算

• 输入经过编码后得到的向量。
• 得到当前词语上下文的关系，可以当做是加权。
• 构建三个矩阵分别查询当前词跟其它词的关系，以及特征向量的表达。

如下图：

先转换成向量，构建三个矩阵Q、K、V，求出来第一个词编码的时候怎么找到上下文。右边的W就是权重。

这三个矩阵具体做什么：

• Q: query，要去查询的
• K: key，等着被查的
• V: value，实际的特征信息

X是输入内容，结果W后，形成Q、K、V不同矩阵的特征向量。

q与k的内积表示有多匹配，如果Xa与Xb之间无关的时候，那么其在坐标系上的表示是垂直的；如果有关系，则非垂直，则有夹角有内积，相关性越大，则夹角越小，内积越大。

特征分配与softmax机制

• 最终的的得分值经过softmax就是最终上下文结果

  加上dk是因为计算内积会因为向量维度越长，向量维度越大，越大影响就越大，影响不应该根据维度的长宽改变，所以应该除掉向量维度的影响。softemax的计算不理解的可以跳转到深度学习入门第一章

• Scaled Dot-Product Attention 不能让分值随着向量维度的增大而增加

这样就能计算出来了结果，这个就是Self-Attention机制，内积大的就重要，小的就不重要。

每个词的Q会跟整个序列中每个K计算得分，然后基于得分再分配特征

这样就解决了word2vec训练完后词向量不变的问题，每次都跟其它组合项进行计算，从而改变权重和词向量。

再看一遍整体流程

• input~Score：每个词的Q会跟每个K计算得分。
• Divide by dk：除掉维度的影响。
• Softmax：得到最大的概率值。
• Softmax × Value：求得词向量的编码。

这样第一个词就编码完成，后面的第二、第N个词也是如此操作。

总结：Attention依靠内积来求得每个词和每个K的得分，且并行求。

Multi/head的作用

之前卷积中，我们利用fillter（w）来将X映射成更多的特征表达，再取最大的进行降维，在这里也是同样道理。

• 通过不同的head得到多个特征表达
• 将所有特征拼接在一起
• 可以通过再一层全连接来降维

Multi-Head架构图如下

不同的注意力结果，得到的特征向量表达也是不同的。

堆叠多层：

由于输入输出都是向量，也就是可以堆叠更多层，计算方法都是相同的，只是增加了多层。

位置编码与多层堆叠

位置信息：在self-attention中，每个词都会考虑整个序列的加权，所以其出现位置并不会对结果产生什么影响，相当于放哪都无所谓，但是这跟实际就有些不符合了，我们希望模型能对位置有额外的认识。

POSITIONAL ENCODING：将余弦和正弦的周期表达信号，当作位置信息。

Add与Normalize

• 归一化：

  Batch Size：将其一行，让其均值为0，标准差为1

  Layer：让其一列，变成均值为0，标准差为1

• 连接：基本的残差连接方式

  残差连接：残差X与输出的X相加（同位元素相加）。原理等同于让输出的结果不会离一开始太远，总是在一个可控的范围内变化

Decoder

• Attention计算不同：只需要用Q去查encode的K,V即可
• 加入MASK机制：遮挡部分值，不使用它，比如内积会将每个相乘相加，而在计算内积的过程不能让它知道全部信息，比如下面的I am a student，遮挡掉student，否则相当于透题，相当于分类中训练的标签。

最终输出结果

• 得到最终预测结果
• 损失函数cross-entropy即可

Transformer整体架构

• Self-Attention
• Multi-Head
• 多层堆叠，位置编码
• 并行加速训练

Encode端

• input：输入X1、X2、...、Xn；
• 初始化：初始化词编码，先随机出词的编码再进行调整，但现在一般使用预训练好的模型，也就是没有了这个步骤；
• Positional Encoding：加入位置编码；
• Nx：N层堆叠Self-Attention；
• Multi-Head：多头Self-Attention；
• 残差连接：随着堆叠层数，可能结果会变差，残差连接则能保证学习至少不比原来差；

Decode端

• MASK机制：遮挡掉部分，不使用后面的结果，相当于分类中训练的标签；
• 获取K,V的结果；
• Nx：N层堆叠；
• Linear：得到所有的编码，Linear成向量；
• Softmax：将向量进行分类；

这就是Transformer的整体结构。而Transformer和BERT的关系是...，我们接着往下看

BERT模型训练方法

• Bidirectonal Encoder Representations from Transformers
• transformer的encoder部分
• 并不需要标签，有语料就能训练了

也就是下图的部分

如何训练BERT

• 方法1：句子中有15%的词汇被随机mask掉
• 较给模型去预测被mask的是什么
• 词语的可能性太多了，中文一般是字
• 如果BERT训练的向量好，那分类自然好

MASK的部分就相当于分类中的训练标签

• 方法二：预测两个句子是否应该连在一起
• [seq]：两个句子之前的连接符，[cls]：表示要做分类的向量