NLP/Transformer/BERT/Attention面试问题与答案
主要聚焦目前处于NLP舞台中央的Transformer/BERT/后BERT 和 Self Attention。
筛选的问题会深入到上述算法/模型更细节的地方，而尽量避免大而泛的问题。本文希望能帮助你对Transformer/BERT的理解再深一层，而这也要求你对上面的算法/模型有基本的认识，主要包括这两部分（后BERT的模型可以自行查找）：
1、论文：论文是最一手的资源，没有各方解读的杂音
Transformer: Attention Is All You Need
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
2、源码：在你看完源码之后，对于BERT，你会调用地更所以然
Transformer Pytorch源码 ，BERT Pytorch源码 ，HuggingFace Transformers
注：BERT Pytorch源码是我参考自这里并加上了一些自己注释的代码，更多语言模型推荐 HuggingFace Transformers
关于BERT
1、为什么BERT在第一句前会加一个[CLS]标志? [1]
2、BERT的三个Embedding直接相加会对语义有影响吗？[1]
3、在BERT中，token分3种情况做mask，分别的作用是什么？
4、为什么BERT选择mask掉15%这个比例的词，可以是其他的比例吗？[1]
5、针对句子语义相似度/多标签分类/机器翻译翻译/文本生成的任务，利用BERT结构怎么做fine-tuning？
6、使用BERT预训练模型为什么最多只能输入512个词，最多只能两个句子合成一句？[1]
7、BERT非线性的来源在哪里？multi head attention 是线性的嘛？[1]
8、BERT 是如何区分一词多义的？
9、BERT的输入是什么，哪些是必须的，为什么position id不用给，type_id 和 attention_mask没有给定的时候，默认会是什么
10、BERT训练时使用的学习率 warm-up 策略是怎样的？为什么要这么做？[13]
11、Bert 采用哪种Normalization结构，LayerNorm和BatchNorm区别，LayerNorm结构有参数吗，参数的作用？[8]
12、为什么说ELMO是伪双向，BERT是真双向？产生这种差异的原因是什么？
13、BERT和Transformer Encoder的差异有哪些？做出这些差异化的目的是什么？
14、BERT训练过程中的损失函数是什么？
15、BERT 的两个任务 Masked LM 任务和 Next Sentence Prediction 任务是先后训练的还是交替训练的
关于Transformer
1、Transformer在哪里做了权重共享，为什么可以做权重共享？好处是什么？[1]
2、Transformer的点积模型做缩放的原因是什么？[1]
3、Transformer中是怎么做multi head attention 的，这样做multi head attention，会增加它的时间复杂度嘛？[1]
4、为什么Transformer 要做 Multi-head Attention? 它的好处在哪？[6]
5、Transformer的Encoder端和Decoder端是如何进行交互的？和一般的seq2seq有什么差别？
6、Transformer中multi-head attention中每个head为什么要进行降维？[14]
关于后BERT
BERT 发表之后，预训练语言模型如雨后春笋，这里暂时只选了两个代表，之后有空会再添加上。
XLNet：
1、XLNet如何实现在不加 [Mask] 情况下利用上下文信息呢？[3]
2、XLNet为什么要用双流注意力？两个流的差别是什么？分别的作用是什么？分别的初始向量是什么？
3、虽然不需要改变输入文本的顺序，但 XLNet 通过 PLM 采样输入文本的不同排列去学习，这样不会打乱或者丢失词汇的时序信息嘛？
4、AutoRegressive (AR) language modeling and AutoEncoding (AE) 两种模式分别是怎样的，各自的优缺点是什么，XLNet又是怎样融合这两者的？
ALBERT：
1、ALBERT的小具体小在哪里？对于实际存储和推理都有帮助嘛？
2、BERT的NSP为什么被认为没有效？ALBERT采样的OSP（Sentence Order Prediction）任务是怎样的？相比NSP有什么优势？
关于Self Attention
深入思考，会发现它真的是一个很神奇的存在，它是BERT乃至整个预训练语言模型的基石，是接棒CNN/RNN，成为特征抽取的新利器。Attention is all you need !
1、self-attention 的本质是什么？包括哪几个步骤？和普通 Attention 的差别在哪里？[15]
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？[4]
3、在普通 attention 中，一般有 k=v，那 self-attention 可以嘛？[4]
4、self-attention 在计算的过程中，如何对padding位做mask？[2]
5、bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？[11]
6、XLNet为什么不直接在attention掩码矩阵中只把当前的单词掩盖住来获取上下文的信息呢？直接mask住左上到右下的对角线构建双向语言模型不行吗？[3]
结语：在这个Transformer/BERT已然成为NLP领域基础组件的时代，面试官会更关注Transformer/BERT在你实际项目中的落地去考察你的应用能力，和Transformer/BERT相关的更细节的问题去考察你的理解能力。应用能力的提升需要你在实际项目/比赛中去落地使用Transformer/BERT；而本文希望能帮助你对Transformer/BERT的理解再深一层。
另外，对于上述没有答案参考的问题，可以自行思考和搜索，之后，我也会在空闲时间尝试自己补上这些答案。
参考：
[1] 超细节的BERT/Transformer知识点 - 知乎
[2] NLP 中的Mask全解 - 知乎
[3] XLNet 中神奇的 Attention Mask - 知乎
[4] 目前主流的attention方法都有哪些？ - 知乎
[5] 为什么 Bert 的三个 Embedding 可以进行相加？ - 知乎
[6] Transformer和Bert相关知识解答 - 知乎
[7] NLP面试常问问题答案参考 - 知乎
[8] BERT相关面试题（不定期更新） - 知乎
[9] https://github.com/songyingxin/NLPer-Interview
[10] 关于BERT的若干问题整理记录 - 知乎
[11] bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？ - 知乎
[12] 关于BERT的若干问题整理记录 - 知乎
[13] 神经网络中 warmup 策略为什么有效；有什么理论解释么？ - 知乎
[14]transformer中multi-head attention中每个head为什么要进行降维？ - 知乎
[15]深度学习中Attention与全连接层的区别何在？ - 知乎