【NLP】BERT常见问题汇总

本篇文章是在之前文章《【NLP】BERT模型解析记录》的基础上，主要记录BERT模型的相关细节问题，并以QA形式表述。
文中会标注相关出处，如遇未注明或出现错误，请告知。如遇侵权，请告知删除~

1.讲讲bert的结构

bert结构大体上可分为输入、N层transformer的encoder和输出三部分组成。
输入由token embedding、segment embedding和position embedding三部分相加组成；
N层transformer的encoder，在bert_base中N=12，bert_large中N=24
输出有model.get_sequence_out()和model.get_pooling_out()两种输出，其shape分别为[batch_size, seq_length, hidden_size]和[batch_size, hidden_size]。
model.get_sequence_out()输出主要用于特征提取再处理的序列任务，而model.get_pooling_out()输出可直接接softmax进行分类（当然需要外加一层dense层将hidden_size转换为num_tag）。

2.为什么BERT选择mask掉15%这个比例的词，可以是其他的比例吗？

原文链接：https://zhuanlan.zhihu.com/p/132554155
BERT采用的Masked LM，会选取语料中所有词的15%进行随机mask，论文中表示是受到完形填空任务的启发，但其实与CBOW也有异曲同工之妙。

从CBOW的角度，这里15%有一个比较好的解释是：在一个大小为100/157的窗口中随机选一个词，类似CBOW中滑动窗口的中心词，区别是这里的滑动窗口是非重叠的。那从CBOW的滑动窗口角度，10%~20%都是还ok的比例。

3.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？

原文链接：https://zhuanlan.zhihu.com/p/132554155
这是Google BERT预训练模型初始设置的原因，前者对应Position Embeddings，后者对应Segment Embeddings
在BERT中，Token，Position，Segment Embeddings 都是通过学习来得到的，pytorch代码中它们是这样的

self.word_embeddings = Embedding(config.vocab_size, config.hidden_size)
self.position_embeddings = Embedding(config.max_position_embeddings, > config.hidden_size)
self.token_type_embeddings = Embedding(config.type_vocab_size, config.hidden_size)

上述BERT pytorch代码来自:https://github.com/xieyufei1993/Bert-Pytorch-Chinese-TextClassification，结构层次非常清晰。
而在BERT config中

"max_position_embeddings": 512
"type_vocab_size": 2

因此，在直接使用Google 的BERT预训练模型时，输入最多512个词（还要除掉[CLS]> 和[SEP]），最多两个句子合成一句。这之外的词和句子会没有对应的embedding。

当然，如果有足够的硬件资源自己重新训练BERT，可以更改 BERT config，设置更大max_position_embeddings 和 type_vocab_size值去满足自己的需求。

4.为什么BERT在第一句前会加一个[CLS]标志?

原文链接：https://zhuanlan.zhihu.com/p/132554155
BERT在第一句前会加一个[CLS]标志，最后一层该位对应向量可以作为整句话的语义表示，从而用于下游的分类任务等。

为什么选它呢，因为与文本中已有的其它词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息，从而更好的表示整句话的语义。

具体来说，self-attention是用文本中的其它词来增强目标词的语义表示，但是目标词本身的语义还是会占主要部分的，因此，经过BERT的12层，每次词的embedding融合了所有词的信息，可以去更好的表示自己的语义。

而[CLS]位本身没有语义，经过12层，得到的是attention后所有词的加权平均，相比其他正常词，可以更好的表征句子语义。

当然，也可以通过对最后一层所有词的embedding做pooling去表征句子语义。

5.BERT非线性的来源在哪里？

原文链接：https://zhuanlan.zhihu.com/p/132554155
前馈层的gelu激活函数和self-attention，self-attention是非线性的。

6.BERT的三个Embedding直接相加会对语义有影响吗？

原文链接：https://zhuanlan.zhihu.com/p/132554155
这是一个非常有意思的问题，苏剑林老师也给出了回答，真的很妙啊：
Embedding的数学本质，就是以one hot为输入的单层全连接。
也就是说，世界上本没什么Embedding，有的只是one hot。

在这里想用一个例子再尝试解释一下：
假设 token Embedding 矩阵维度是 [4,768]；position Embedding 矩阵维度是 [3,768]；segment Embedding 矩阵维度是 [2,768]。
对于一个字，假设它的 token one-hot 是[1,0,0,0]；它的 position one-hot 是[1,0,0]；它的 segment one-hot 是[1,0]。

那这个字最后的 word Embedding，就是上面三种 Embedding 的加和。
如此得到的 word Embedding，和concat后的特征：[1,0,0,0,1,0,0,1,0]，再过维度为 [4+3+2,768] = [9, 768] 的全连接层，得到的向量其实就是一样的。

再换一个角度理解：
直接将三个one-hot 特征 concat 起来得到的 [1,0,0,0,1,0,0,1,0] 不再是one-hot了，但可以把它映射到三个one-hot 组成的特征空间，空间维度是 432=24 ，那在新的特征空间，这个字的one-hot就是[1,0,0,0,0...] (23个0)。

此时，Embedding 矩阵维度就是 [24,768]，最后得到的 word Embedding 依然是和上面的等效，但是三个小Embedding 矩阵的大小会远小于新特征空间对应的Embedding 矩阵大小。

当然，在相同初始化方法前提下，两种方式得到的 word Embedding 可能方差会有差别，但是，BERT还有Layer Norm，会把 Embedding 结果统一到相同的分布。

BERT的三个Embedding相加，本质可以看作一个特征的融合，强大如 BERT 应该可以学到融合后特征的语义信息的。

参考：https://www.zhihu.com/question/374835153

7.什么任务适合bert，什么任务不适合？

bert适合于自然语言理解(Natural language Understanding, NLU)类任务，如文本分类、信息抽取等；
bert不适合于自然语言生成(Natural language Generation, NLG)类任务。

因为bert采用的是双向的语言模型，除了被mask的词语外，该词语前后的词语都可以看到。
而NLG任务的目标是在已知当前词与之前词语的情况下，预测出下一个词语，直至所有词语预测完成。

8.为什么 BERT 比 ELMo 效果好？

原文链接：https://cloud.tencent.com/developer/article/1687276
从网络结构以及最后的实验效果来看，BERT 比 ELMo 效果好主要集中在以下几点原因：

• LSTM抽取特征的能力远弱于Transformer
• 拼接方式双向融合的特征融合能力偏弱(没有具体实验验证，只是推测)
• 其实还有一点，BERT 的训练数据以及模型参数均多余 ELMo，这也是比较重要的一点。

9.ELMo 和 BERT 的区别是什么？

原文链接：https://cloud.tencent.com/developer/article/1687276
ELMo 模型是通过语言模型任务得到句子中单词的 embedding 表示，以此作为补充的新特征给下游任务使用。因为 ELMO 给下游提供的是每个单词的特征形式，所以这一类预训练的方法被称为“Feature-based Pre-Training”。
而 BERT 模型是“基于 Fine-tuning 的模式”，这种做法和图像领域基于 Fine-tuning 的方式基本一致，下游任务需要将模型改造成 BERT 模型，才可利用 BERT 模型预训练好的参数。