LLM 系列——BERT——论文解读-编程知识

一、概述

1、是什么

是单模态“小”语言模型，是一个“Bidirectional Encoder Representations fromTransformers”的缩写，是一个语言预训练模型，通过随机掩盖一些词，然后预测这些被遮盖的词来训练双向语言模型（编码器结构）。可以用于句子分类、词性分类等下游任务，本身旨在提供一个预训练的基础权重。

2、亮点

文章中总结为三点：

* 展示了双向预训练对语言表示的重要性。

* 预训练的特征表示对特定任务降低了精心设计架构的需求。

* BERT 提高了 11 个 NLP 任务的最新指标。

PS

* base版本整体结构和OpenAI的GPT是相同的，只是掩码机制不同，甚至训练数据和策略也尽可能可GPT相同来做对比，并验证了在下游任务的高效性。large是进行了模型缩放。

* 但是如今2024年还是Open AI 的GPT这种纯解码器一统天下，并且后续针对bert的改进，反而移除一些本文的tick，比如NSP任务等。

* 原版论文还是建议看看，因为本文是提供了一个预训练模型，然后可以用于各种下游任务（并且文章解释了怎么处理数据和改动模型），并且也简要介绍了对应的下游任务，可以对NLP领域有个很好的认识。

二、模型

1、模型结构

输入需要进行多种embedding处理，模型整体就是标准的transformer编码器，只不过针对不同的任务出入输出头稍有改动：

1）预训练任务：两个loss，分别是预测掩码token和预测两个句子是不是连贯的。也就是后面的Mask LM 和NSP任务。文中训练了base 和 large两个版本。

2）下游任务：主要分为四大类，两个句子的关系分类、单句分类（比如情感分类）、问答（不是生成模型，所以答案是提供的文本中的一个片段，预测起止点）、句子内次分类（比如实体识别）。

输入如下。针对不同的任务，BERT模型的输入可以是单句或者句对。对于每一个输入的Token，它的表征由其对应的词表征（Token Embedding）、段表征（Segment Embedding）和位置表征（Position Embedding）相加产生。其中BERT的分词是“Case-preserving WordPiece model”，它在分词的同时保留了原始文本的大小写信息。

预训练整体对应的网络结构如下：

不同的下游任务的模型结构如下图：

下游任务对应到数据集

2、模型亮点

双向注意力训练的解码器，并且有单词和句子两个任务。

可惜现在GPT的decoder 一统天下了。

三、数据

1、数据标签

对于英文模型，使用了Wordpiece模型来产生Subword从而减小词表规模；对于中文模型，直接训练基于字的模型。具体因为涉及到预训练和不同类型的下游任务，这里稍微有点复杂，一条一条梳理。

预训练目标：BERT预训练过程包含两个不同的预训练任务，分别是Masked Language Model和Next Sentence Prediction任务。

下游任务：分为句子分类、token分类。

1-1）Masked Language Model任务

就是预测被mask掉的词，文章提出一种mask策略（这个过程发生在WordPiece tokenization之后，而且对所有token一视同仁，后面有对应的消融实验）：在一个batch 内先随机选取15%的单词作为mask候选，然后对这15%单词进行二次抽样，其中80%需要被替换成[MASK]的词进行替换，10%的随机替换为其他词，10%保留原词。原因是：在微调时[MASK]总是不可见，会造成预训练和微调时的不一致。论文中的例子如下：

1-2）Next Sentence Prediction任务

模型输入需要附加一个起始Token，记为[CLS]，对应最终的Hidden State（即Transformer的输出）可以用来表征整个句子，用于下游的分类任务。

模型能够处理句间关系。为区别两个句子，用一个特殊标记符[SEP]进行分隔，另外针对不同的句子，将学习到的Segment Embeddings 加到每个Token的Embedding上。对于单句输入，只有一种Segment Embedding；对于句对输入，会有两种Segment Embedding。

论文中的例子如下，构造方法是随机构造50%是成对的句子，50%不是成对的句子，并且也要保证整个句子长度小于512个token。和上面的mask策略是共同作用的。

2-1）GLUE 句子分类下游任务

可以为单个句子或者句子对。

输入和预训练一样，有cls、sep token，没有Mask。

输出使用cls token对应的最后一个隐层的向量作为句子的整体表示，仅仅引入一个全连接层，映射到分类类别数，计算标准的softmax 分类损失。

2-2）SQuAD v1.1

其实就是给定问题，在指定段落里面找答案的起止点，不需要改写答案。这里确实有点绕，所以再重复贴一下模型图。这里输入如下图，比较好理解。输出增加了两个可学习的verctor（就是两个变量分别称为S、E），然后对每个输出单词做点乘，计算为起点的概率（终点同理）：。然后起点到终点的整个段落的概率定义如下：。

2-3）SQuAD v2.0

我们将没有答案的问题视为在 [CLS] 标记处具有开始和结束的答案跨度。预测的时候没有对应答案得分Snull =S·C + E·C，有对应的答案的得分最大值，然后当，阈值t是在验证集使F1最大调节出来的。

2-4）SWAG

本身是多选，这里将问题分别匹配一个答案，构成N个文本对，然后对每个文本对单独像句子对分类任务一样，在cls token上训练分类器。

2、数据构成

预训练

为了和GPT作对比，数据等也尽可能相同：BERT使用BooksCorpus (800M words)、Wikipedia (2,500M words)，其中GPT使用的仅仅为BooksCorpus (800M words)。

下游任务

MNLI：Multi-Genre Natural Language Inference，两个句子的蕴含分类任务。给定一对句子，目标是预测第二个句子是否是相对于第一个句子的蕴涵、矛盾或中性。

QQP：Quora Question Pairs，两个句子分类任务。目标是确定 Quora （果壳问答网站，类似知乎）上提出的两个问题在语义上是否等价。

QNLI：Question Natural Language Inference，标准的问答任务。被转换为二元分类任务，正例是（问题、句子）对，包含正确答案，负例是来自同一段落的（问题、句子），不包含答案。

SST-2：Stanford Sentiment Treebank，二元单句分类任务，包括从电影评论中提取的句子及其情感的注释。

CoLA：The Corpus of Linguistic Acceptability，二元单句分类任务，其目标是预测英语句子在语法上是否“可接受”。

STS-B：The Semantic Textual Similarity Benchmark，一组从新闻标题和其他来源中提取的句子对。他们用从 1 到 5 的分数进行注释，表示两个句子在语义含义方面的相似程度。

MRPC：Microsoft Research Paraphrase Corpus，从在线新闻源中自动提取的句子对组成，人工注释对中的句子在语义上是否等价。

WNLI Winograd NLI：小型自然语言推理数据集，GLUE 网页指出，该数据集的构建存在问题。

RTE：Recognizing Textual Entailment，类似于 MNLI 的二元蕴涵任务，但训练数据要少得多。

SQuAD v1.1：10w个众包问题/答案对的集合。给定一个来自维基百科的段落和对应的问题，任务是预测答案在文章中的跨度（也就是起止点）。

SQuAD v2.0：对比V1.1，还有可能对应的段落没有问题的答案。

SWAG：Situations With Adversarial Generations，包含 113k 个句子对，用于评估常识推理。

3、数据清洗

可能都是开源数据，并且为了保持和Open AI相同，文章并没有提到如何清洗这两个数据源。

四、策略

1、训练过程

预训练

单阶段训练，训练所有网络参数，两个任务的loss取平均。值得注意的一个预训练加速细节（原理是transformer的自注意力随着序列长度二次方增加运算量）：使用序列长度为 128 训练90% 的Step，然后使用 512 序列长度训练其余10% 来学习位置嵌入。

训练超参数如下：

*bs = 256、sequence length = 512、Step = 100W，相当于：128,000 token/batch、训练了40个epoch。

*学习率为 1e-4 的 Adam，β1 = 0.9，β2 = 0.999，L2 权重衰减为 0.01，学习率在前 10,000 步预热，学习率的线性衰减。

*在所有层上使用 0.1 的 dropout 概率。

*激活函数和GPT相同为gelu。

*训练损失是平均掩码 LM 似然和平均下一句预测似然的总和。

*BERTBASE 的训练是在4 cloud Pod （总共 16 个 TPU 芯片），LARGE 的训练是在 16 个 Cloud TPU pod（总共 64 个 TPU 芯片）上进行的。均需要 4 天完成训练。

下游任务Finetune整体总结

如模型结构部分，应用与不同的下游任务（不同下游任务都略有区别，大的数据集，比如10W+样本的对超参数选择不敏感），超参数整体和预训练相同，但是batch size、学习率、训练epoch不同，如下：

*batch size 选择16 或32.

*Learning rate (Adam): 5e-5, 3e-5, 2e-5。

*epochs数: 2, 3, 4

下游任务Finetune-GLUE句子分类

主要在模型输出的增加一个分类层，对应输入的cls token。batch size 32 训练3 个epoch，学习率尝试5e-5, 4e-5, 3e-5, 2e-5并选择验证集效果最好的。

注意：这里发现BERT large版本训练不稳定，采取的策略是随机多训练几个版本，然后选择验证集上效果好的，这里的随机包含：数据随机shuffle和分类层随机初始化。

下游任务SQuAD v1.1句子分类

batch size 32 训练3 个epoch，学习率5e-5。

下游任务SQuAD v2.0句子分类

batch size 48 训练2 个epoch，学习率5e-5。

下游任务SWAG句子分类

batch size 16 训练3 个epoch，学习率2e-5。

2、推理过程

暂无

五、结果

1、多维度对比。

四个下游任务，分别见四个表。

GLUE：发现large版本结果都比base版本好（包含哪些训练数据很少的场景），并且好于Open AI。

2、消融实验

训练任务

涉及：有无预测下一个句子任务（NSP）、MLM对比LTR任务（预测中间词和从左预测右面即GPT）。他的结果显示预测下一个句子能提升性能，MLM好于LTR。（PS：然而后面bert的改进去掉了NSP任务，GPT系列数据上来效果强悍。所以这些经验真的会随着数据和模型规模上来反而成为阻碍。）

模型大小

除了模型的层数、隐层维度、head 头数外，其余训练超参一致。这里作者证明随着模型规模的提升，下游任务的性能也提升，即使下游任务数据很少也可以finetune（接一个分类头，并且bert的参数也更新），然后获得稳定提升（随着模型规模）。这里作者特别提到之前有人做实验，证明模型规模不能太大，不然反而性能会降低这里是通过特征的方式，没有finetune。

PS：这里感觉有点后面GPT系列对齐的苗头了。