0. 引言

BERT全称为 Bidirectional Encoder Representation from Transformers（来自 Transformers 的双向编码器表示），是谷歌2018年发表的论文中¹，提出的一个面向自然语言处理任务的无监督预训练语言模型。其意义在于：大量无标记数据集中训练得到的深度模型，可以显著提高各项自然语言处理任务的准确率。

BERT采用Transformer的编码器（Encoder）结构作为特征提取器，并使用与之配套的MLM训练方法，实现输入序列文本的双向编码；与只使用前序文本信息提取语义的单向编码器（如GPT等）相比，BERT具有更强的语义信息提取能力。

1. 预训练任务

BERT的作者认为：使用两个方向（从左至右和从右至左）的单向编码器拼接而成的双向编码器，在性能、参数规模和效率等方面都不如直接使用双向编码器强大；这是 BERT 模型使用 Transformer Encoder 结构作为特征提取器，而不拼接使用两个方向的 Transformer Decoder 结构作为特征提取器的原因。

这也令 BERT 模型不能像 GPT 模型一样，继续使用标准语言模型的训练模式，因此 BERT 模型重新定义了两种模型训练方法（即：预训练任务）：MLM 和 NSP。BERT用MLM（Masked Language Model，掩码语言模型）方法训练词的语义理解能力，用NSP（Next Sentence Prediction，下句预测）方法训练句子之间的理解能力，从而更好地支持下游任务。

1.1 MLM

MLM是借鉴完形填空任务和Word2Vec中CBOW算法的思想，而定义的一种模型预训练任务。具体而言，就是随机抽取部分词进行掩码操作（用 ‘<Mask>’ 掩码字符来替换被抽取到的单词），训练BERT模型来正确预测这些被掩码词，且以 $\sum P(w_i|w_1,\cdots ,w_{i-1},w_{i+1},\cdots ,w_n)$ 为目标函数来优化模型参数（仅计算被掩码单词的交叉熵之和，将其作为损失函数），如图1所示。

在模型微调训练或模型推理阶段，输入的文本序列中不再含有掩码标记，因此不可忽视的是：MLM训练方法的训练集与测试集数据之间，存在不可避免的系统性数据分布差异，这会产生训练与预测数据偏差导致的性能损失。为改善这一弊端，BERT并不总是用掩码标记替换训练样本中被选定的掩码词，而是在每样本随机抽取15%的掩码词后，对80%的样本用掩码标记 ‘<Mask>’ 替换掩码词，对另外10%的样本不做任何替换，对最后10%的样本从模型词表中随机抽取单词来替换掩码词。

其中，对一小部分掩码词不做替换，是为了缓解训练文本与预测文本的偏差带来的性能损失。此外，对另一小部分掩码词做随机替换，是为了让BERT学会根据上下文信息自动纠错；假设不随机替换的一小部分训练样本，BERT遇到非掩码标记的词时，直接输出该词即可得到最优交叉熵，而加入随机替换样本则强制模型综合上下文信息整体推测预测词，避免模型通过“偷懒”的方式获得最优目标函数的隐患；简而言之，这增加了BERT模型的鲁棒性和对上下文信息的提取能力。

且上述这四个概率分配比例是超参数，其取值由BERT在预训练过程中尝试过各种配置比例后，通过对比测试结果得到最优参数值。

图1 MLM 和 NSP预训练任务示意图

1.2 NSP

很多自然语言处理的下游任务（如问答和自然语言推断等）都基于两个句子做逻辑推理，而语言模型并不具备直接捕获句子间语义联系的能力（该能力由训练方法和目标函数的特性决定），BERT采用NSP训练方法，使用模型学会捕捉句子间的语义联系。

具体而言：模型的输入语句由两个句子组成，其中有50%的概率将语义连贯的两个连续句子作为训练样本（连续句对应取自篇章级别的语料，以确保前后语句的语义强相关），另有50%的概率将完全随机抽取的两个句子作为训练样本，模型要根据输入的两个句子，判断它们是否属于真实的连续句对，如图1所示。

其中，[SEP] 标签表示分隔符，用于区分两个句子，而 [CLS] 标签对应的输出向量作为句子整体的语义表示，用于类别预测。若结果为1，则表示输入语句为真实的连续句子，其上下文有语义联系；若结果为0，则表示输入语句为随机组合的句子，上下文并没有语义联系。

2. 模型结构

BERT模型在继承 Transformer 编码器（Encoder）结构的同时，也根据自身任务需求，对其输入层结构做了相应改进。一方面为适应NSP任务，BERT模型的输入层结构在原有静态词向量编码（Token Embeddings）和位置编码（Position Embeddings）的基础上，增加了语句分割编码（Segment Embeddings），该层的输出结果是三种 Embedding 编码之和；另一方面，BERT模型的位置编码方法，由原来 Transform 模型的三角函数编码，改变为由可学习的模型参数编码。如下图所示：

图2 BERT模型的输入层结构

3. 下游任务

BERT模型不具备文本生成功能，它能支持的下游任务可分为四类：单句标注、单句分类、句对分类、文本问答。其代码实现方式是：在BERT预训练模型的基础上，添加一个配合具体任务的输出层即可。读取BERT预训练模型的代码实现如下：

##  Tensorflow实现
from transformers.models.bert import TFBertModel

tf_bert_layer = TFBertModel.from_pretrained(
	"bert-base-chinese"
	, cache_dir='../Models/bert-base-chinese'	# 本地存储目录
).bert

## Pytorch实现
from transformers.models.bert import BertModel

bert_layer = BertModel.from_pretrained(
	"bert-base-chinese"
	, cache_dir='../Models/bert-base-chinese'	# 本地存储目录
).bert

3.1 句对分类

给定两个句子，判断它们的关系，统称为句对分类。常见的任务形式如下：

1. 多类型自然语言推理（Multi-Genre Natural Language Inference，MNLI），给定句对，判断它们是否为蕴含、矛盾或中立关系，属于多分类任务；
2. Quora问答（Quora Question Pairs，QQP），给定句对，判断它们是否相似，属于二分类任务；
3. 问答自然语言推理（Question Natural Language Inference，QNLI），给定句对，判断后者是否是对前者的回答，属于二分类任务；
4. 语义相似度判断（Semantic Textual Similarity，STS-B），给定句对，判断它们的相似程度，属于多分类任务；
5. 语义一致性判别（Microsoft Research Paraphrase Corpus，MRPC），给定句对，判断语义是否一致，属于二分类任务；
6. 文本蕴含判别（Recognizing Texual Entailment，RTE），给定句对，判断两者是否具有蕴含关系，属于二分类任务；
7. 最佳候选语句判定（Situation With Adversarial Generations，SWAG），给定主句 $A$ 和多个候选从句 $B$，根据语义连贯性选出最优的从句 $B_i$，属于多分类问题。

综上来看，句对分类任务均可归属于二分类或多分类问题，因此在BERT模型句首标签 [CLS] 的输出特征向量后接一个全连接层（该层输出维度与类别数目一致，且激活函数在二分类时为 Sigmoid，在多分类时为 Softmax），即可适应句对分类下游任务。其代码实现如下：

##  Tensorflow实现
class TFBertForSequenceClassification(tf.keras.Model):
    def __init__(self, num_labels, *inputs, **kwargs):
        super().__init__()
        self.num_labels = num_labels
        #
        self.bert = tf_bert_layer
        self.classifier = tf.keras.layers.Dense(
            num_labels
            , activation='sigmoid' if self.num_labels==2 else 'softmax'
            , name='classifier'
        )

    def call(self, inputs):
        CLS_hidden = self.bert(inputs)['pooler_output']
        outputs = self.classifier(CLS_hidden)
        return outputs   
 

## Pytorch实现

3.2 单句分类

给定一个句子，判断该句子的类别，统称为单句分类任务。常见的任务形式有：

1. 单句情感判定（Standford Sentiment Treebank，SST-2，斯坦福情感语料库），给定单句，判断句子的情感类别，属于二分类任务。
2. 语义连贯性判定（Corpus of Linguistic Acceptability，CoLA，文本连贯性语料库），给定单句，判断是否为语义连贯的句子，属于二分类任务。

综合来看，单句分类任务就是将模型输入改写为一个单句且保留句首标签[CLS]，模型预测使用句首标签[CLS]的输出特征作为分类标签，计算分类标签与真实标签的交叉熵，将其作为优化目标，在任务数据上进行微调训练。其代码实现如下：

##  Tensorflow实现
class TFBertForSequenceClassification(tf.keras.Model):
    def __init__(self, num_labels, *inputs, **kwargs):
        super().__init__()
        self.num_labels = num_labels
        #
        self.bert = tf_bert_layer
        self.classifier = tf.keras.layers.Dense(
            num_labels
            , activation='sigmoid' if self.num_labels==2 else 'softmax'
            , name='classifier'
        )

    def call(self, inputs):
        CLS_hidden = self.bert(inputs)['pooler_output']
        outputs = self.classifier(CLS_hidden)
        return outputs   
        

## Pytorch实现

3.3 单句标注

给定一个句子，标注每个词的标签，称为单句标注任务。常见的任务形式有：

1. 词性标注
2. 命名实体识别

综合来看，进行单句标注任务时，需要在每个词的最终语义特征向量之后添加全连接层且激活函数为Softmax或Sigmoid，即可得到各token类别标签的概率分布。其代码实现如下：

##  Tensorflow实现
class TFBertForTokenClassification(tf.keras.Model):
    def __init__(self, num_labels, *inputs, **kwargs):
        super().__init__()
        self.num_labels = num_labels
        #
        self.bert = tf_bert_layer
        self.classifier = tf.keras.layers.Dense(
            num_labels
            , activation='sigmoid' if self.num_labels==2 else 'softmax'
            , name='classifier'
        )

    def call(self, inputs):
        last_hidden= self.bert(inputs)['last_hidden_state']
        outputs = self.classifier(last_hidden)
        return outputs   
        

## Pytorch实现

3.4 文本问答

##  Tensorflow实现

## Pytorch实现

4. 微调训练

实战中，BERT模型的微调训练策略十分丰富，受限于篇幅，具体请详见作为文章：预训练模型：BERT 模型的微调（fine-tuning）实战策略

---

1. 《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》 ↩︎