BERT原理详解
一、BERT原理
1.1 BERT原理
网上关于BERT的模型讲的好的很多
参考
BERT模型学习与分析
1.2 BERT 和 OpenAI GPT 区别与联系
这里简单描述一下BERT和OpenAI GPT模型区别与联系
BERT和GPT 都是使用了Transformer结构，Transform的Encoder和Decoder是有区别的，这也是BERT和GPT的区别，很多博客描述GPT用的是Transform的Decoder部分，BERT用的是Encoder部分，这是对的，不过还有人不理解区别在哪，区别就在Masked attention，说白了就是attention的叠加方向不一样，模型真没啥区别，再往细里说，Decoder之所以是masked attention，因为是解码嘛，自然在做attention时候不能给词语看到未来信息，比如下面这个图：
所以GPT用的就是Decoder部分：
GPT训练方式和NNLM一样，利用前n-1个词预测第n词训练向量。
BERT是如何训练的？
两个点：
- 对中间的词利用一定规则变成mask（规则指masked LM），然后把这些要预测的词做成标签进行预测。
- 多任务，预测两个句子是不是有关联性。
这里提一下masked LM:
随机屏蔽（masking）部分输入token，然后只预测那些被屏蔽的token。在这个例子中，与masked token对应的最终隐藏向量被输入到词汇表上的输出softmax中，就像在标准LM中一样。随机地屏蔽了每个序列中15%的WordPiece token。与去噪自动编码器相反，只预测masked words而不是重建整个输入。
以“my dog is hairy”为例，数据生成器将执行以下操作，而不是始终用[MASK]替换所选单词：
80％的时间：用[MASK]标记替换单词，例如，my dog is hairy → my dog is [MASK]
10％的时间：用一个随机的单词替换该单词，例如，my dog is hairy → my dog is apple
10％的时间：保持单词不变，例如，my dog is hairy → my dog is hairy. 这样做的目的是将表示偏向于实际观察到的单词。
使用masked LM 缺点(也是BERT缺点)：
A：因为[MASK]字符在fine-tuning阶段根本不会存在，所以在pre-training阶段用[MASK]代替原来的word参与训练，会导致pre-training和fine-tuning阶段mismatch。
B：因为在每一轮训练（each batch）只有15%的tokens会被预测，pre-training阶段的模型收敛就需要迭代更多的steps
XLNET可以解决BERT的缺点（下一章准备写）
