BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 论文笔记

1. 主要结构仍是 Transformer
2. Input:
   a. WordPiece embeddings
   b. learned positional embeddings, up to 512 tokens。
   c. 增加了一个特殊的 token: [CLS], 用于分类任务。这个token的deep feature用于分类任务。
   d. Sentence pairs, 两个句子合成一句，并用一个特殊的 token: [SEP]隔开。同时增加两个可训练的sentence embedding A 和 B，分别与第一句和第二局的每个tokens embedding concate在一起。
   e. 对于单句，sentence embedding A 也会使用，与所有token embedding concate。
3. 预训练的方式，最大的区别
   a. 不是简单的left-to-right或者right-to-left的语言模型训练方式。而是mask部分tiokens，然后预测这部分的tokens，因此可以利用全句信息。其实也可以认为是学习句子的context representation，比起LM这种预训练更好。
   具体：15%随机mask。 同时其中80%替换为一个特殊的 token: [MASK]， 10%替换为随机的tokens，10%不变。因为训练时只会预测15%的tokens，相比于LM训练速度下降。
   b. 句子预测，Sentence pairs，判断这两个句子是不是相关的。
4. 预训练细节：
   sentence可能是部分文本，不仅仅是一句。因为positional embeddings限制，input长度小于512。
   激活函数用的是gelu。
   base model， 4 cloud tpus 训练4天。large model， 16 cloud tpus 训练4天。

利用Masked LM和Next Sentence Prediction，相比于LM，直观上可以学习更好的句子的context representation。利用大规模数据，选择合适的非监督任务进行预训练，才能更好的进行transfer。