Press "Enter" to skip to content

通俗讲解从Transformer到BERT模型!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

作者: 陈锴,中山大学   张泽,华东师范大学

 

近两年来,Bert模型非常受欢迎,大部分人都知道Bert,但却不明白具体是什幺。一句话概括来讲:BERT的出现,彻底改变了预训练产生词向量和下游具体NLP任务的关系,提出龙骨级的训练词向量概念。

 

想要了解Bert,那幺可能你需要先从tranformer框架了解清楚。今天我们就从Transformer到Bert进行详细地讲解。

 

1. Attention

 

在学会 Transformer 和 Bert 之前,我们需要理解Attention和Self-Attention机制。Attention的本质是要找到 输入的feature的权重分布
,这个feature在某一个维度有一个长度的概念,如果我们输入一个长为 n 的 feature,那幺 Attention 就要学习一个长为 n 的分布权重,这个权重是由相似度计算出来的,最后返回的得分就将会是权重与feature的加权和。

 

1.1 Attention的计算过程

 

Attention的输入是Q,K,V,返回的是一个socre,计算公式如下:

 

需要注意的是上述公式的下标位置,显然我们需要学习的权重分布是,而和相关,就是我们希望去被找到权重的feature。

 

1.1.1 QKV 英文名字的含义

 

Q 即为英文中 Query 是指:被查询的序列,可以看到在每次计算相似度的过程中,Q在计算中是一直保持着整体的状态。

 

K 即为英文中 Key 是指:被查询的索引,我们学习到的权重分布A 长度为n,那幺A中每一个下标的大小,就代表了对应索引被分配到的权重。所以这个K,控制的是索引。

 

V 即为英文中的 Value 是指:值,也就是我们feature 本身的值,他要去和权重分布做加权和来得到最终的分布。

 

1.1.2 相似度的计算方式

 

这里相似度的计算方式有很多种:

 

 

相似度名 计算方式
点乘
矩阵乘积 ,为参数
余弦相似度 $s(q,k)=\frac{q^Tk}{
concat ,为参数
mlp ,为参数

 

1.2 HAN中的Attention

 

我们首先看一下 HAN 的 Attention 中的QKV分别是如何体现的。

 

在 HAN 中,我们只有一个输入,输出为 和 的加权平均,所以即为 Attention 机制中的 Value
。我们把 做了一个线性变换变成了 ,然后又随机生成了一个 向量 , 一起计算 。公式为:

 

可以看到在公式中一直处于被查询的状态,即一直保持着一个整体的状态,所以我们生成的随机向量即为 Attention 机制中的Query 。而我们做完线性变换生成的U 给 A 生成不同索引的权重值,他即代表我们 Attention 机制中的 Key
。这里用的相似度公式显然是点积,而在我自己实现的时候遇到了点困难,改成了MLP实现法。

 

1.3 seq2seq中的Attention

 

我们来看 seq2seq 中的 Attention 机制,在这个任务中我们需要一步一步的生成,我们会根据每一步生成的(实际是一个分布),找到对应的单词。

 

我们的生成公式为:

 

可以看出,每一次生成的时候都要被更新,而在这个模型中就是 Attention 模型最终被返回的得分。

 

在 seq2seq模型中,我们把输入Encoder 生成的值记为 ,我们需要学习关于 的权重分布,所以 即为这里 Value,而这里的 Key 也是 他自己,他没有像 HAN 中一样做变换,我们每一次要查询的 Query 是已经生成的序列 也即为 Decoder 中生成的值 ,显然随着每次生成的变化这个被查询的 会变长。这样,由我们的 就能生成出最后的。

 

2. Transformer

 

Transformer改进了RNN最被人诟病的训练慢的缺点, 利用self-attention机制实现快速并行

 

2.1 Self-Attention

 

在 Transformer 中我们要用到的 Attention 方式是 Self-Attention,它与之前的 Attention 有些许的不同。简单的来说,它通过学习三个参数,来对同一个embedding之后的feature 进行转换,将他线性转换成 Q、K、V 
之后计算出这句话的 Attention 得分。名字中的Self 体现的是所有的 Q、K、V 
都是由输入自己生成出来的。

 

归一化:权重分布在归一化前,要除以输入矩阵的第一维开根号,这会让梯度更稳定。这里也可以使用其它值,8只是默认值,再进行softmax。

 

返回:这里返回的值和输入的长度维度是一样的,每一个单词对应的输出是所有单词对于当前单词的权重分布与Value得分的加权和。所以他有多少个单词,就做了多少次Attention 得分,这就是self-Attention 。

 

2.2 模型结构

 

Transformer:Input(Embedding)→Encoder ×6 → Decoder×6 → output

 

Encoder:Multi-headed attention → Add&Norm → Feed Forward → Add&Norm

 

Decoder:Multi-headed attention → Add&Norm → Encoder-Decoder-Attention → Add&Norm → Feed Forward → Add&Norm

 

Multi-headed attention:Self-Attention×8

 

其中Encoder-Decoder-Attention即为seq2seq 中的Attention 结构,K和V 为Encoder顶层的output。

 

2.3 Multi-headed attention(多头怪)

 

Self-Attention 生成了一组,而多头怪生成了 8组 ,在实际的过程中,最后需要把这8组进行concat(拼接)。

 

需要注意的是 Decoder 端的多头 self-attention 需要做mask,因为它在预测时,是“看不到未来的序列的”,所以要将当前预测的单词(token)及其之后的单词(token)全部mask掉。使用多头机制可以理解为CNN中同时使用多个卷积核。

 

代码实现在pytorch中很简单,直接调包即可:第0维是长度,第一维是batchsize。

 

## nn.MultiheadAttention 输入第0维为length
query = torch.rand(12,64,300)
key = torch.rand(10,64,300)
value= torch.rand(10,64,300)
multihead_attn = nn.MultiheadAttention(embed_dim, num_heads)
multihead_attn(query, key, value)[0].shape
# output: torch.Size([12, 64, 300])

 

可以考虑实现一个第0维是 batchsize 的 MultiheadAttention:

 

class MultiheadAttention(nn.Module):
    def __init__(self, hid_dim, n_heads, dropout):
        super(MultiheadAttention,self).__init__()
        self.hid_dim = hid_dim
        self.n_heads = n_heads


        assert hid_dim % n_heads == 0 # d_model // h 是要能整除
        self.w_q = nn.Linear(hid_dim, hid_dim)
        self.w_k = nn.Linear(hid_dim, hid_dim)
        self.w_v = nn.Linear(hid_dim, hid_dim)
        self.fc = nn.Linear(hid_dim, hid_dim)
        self.do = nn.Dropout(dropout)
        self.scale = torch.sqrt(torch.FloatTensor([hid_dim // n_heads]))


    def forward(self, query, key, value, mask=None):
        bsz = query.shape[0]
        Q = self.w_q(query)
        K = self.w_k(key)
        V = self.w_v(value)
        Q = Q.view(bsz, -1, self.n_heads, self.hid_dim //
                   self.n_heads).permute(0, 2, 1, 3)
        K = K.view(bsz, -1, self.n_heads, self.hid_dim //
                   self.n_heads).permute(0, 2, 1, 3)
        V = V.view(bsz, -1, self.n_heads, self.hid_dim //
                   self.n_heads).permute(0, 2, 1, 3)


        # Q, K相乘除以scale,这是计算scaled dot product attention的第一步
        energy = torch.matmul(Q, K.permute(0, 1, 3, 2)) / self.scale


        # 如果没有mask,就生成一个
        if mask is not None:
            energy = energy.masked_fill(mask == 0, -1e10)


        # 然后对Q,K相乘的结果计算softmax加上dropout,这是计算scaled dot product attention的第二步:
        attention = self.do(torch.softmax(energy, dim=-1))


        # 第三步,attention结果与V相乘
        x = torch.matmul(attention, V)


        # 最后将多头排列好,就是multi-head attention的结果了
        x = x.permute(0, 2, 1, 3).contiguous()
        x = x.view(bsz, -1, self.n_heads * (self.hid_dim // self.n_heads))
        x = self.fc(x)
        return x

 

测试结果符合预期:

 

## 构造的 输入第0维为batch
query = torch.rand(64,12,300)
key = torch.rand(64,10,300)
value= torch.rand(64,10,300)
tran=MultiheadAttention(hid_dim=300, n_heads=6, dropout=0.1)
tran(query, key, value).shape
## output: torch.Size([64, 12, 300])


2.4 使用位置编码表示序列的顺序

 

将位置向量添加到词嵌入中使得它们在接下来的运算中,能够更好地表达的词与词之间的距离(因为 Self-Attention 本身是并行的,没有学习位置信息)。原始论文里描述了位置编码的公式,使用了使用不同频率的正弦和余弦,因为三角公式不受序列长度的限制,也就是可以对比之前遇到序列的更长的序列进行表示。

 

2.5 Add&Norm(残差模型)

 

残差模块就是一个残差连接,并且都跟随着一个“层归一化”步骤。其中Norm 指的是 Layer Normalization,在 torch 中也很方便调用。

 

3. Bert

 

Bert模型的定位是一个预训练模型,同等级的应该是NNLM,Word2vec,Glove,GPT,还有ELMO。模型具体的解释不是本文关注重点,这里同样采用简单概述。

 

3.1 预训练模型分类

 

非语言模型:Word2vec,Glove

 

语言模型:GPT,NNLM,ELMO,Bert。

 

其中NNLM是不考虑上下文(单向)的,而ELMO和Bert是考虑上下文(双向)的模型。

 

3.2 不同模型的建模

 

3.2.1 NNLM

 

其全称为Nerual Network Language Model

 

目标函数为用前t-1个单词,预测第t个单词,即最大化:

 

3.2.2 ELMO

 

Elmo的全称为Embedding from Language Models,ELMO是根据上下文单词的语义去动态调整单词的Word Embedding表示,解决了多义词的问题,采用的机制为双层双向LSTM。

 

目标函数

 

ELMo是分别以

 

 

作为目标函数,独立训练处两个representation然后进行拼接。

 

词的表示

 

由于采用了双层双向LSTM,所以网络中有三层Word Embedding,给予这三个Embedding中的每一个Embedding一个权重,这个权重可以学习得来,根据各自权重累加求和,将三个Embedding整合成一个Embedding。

 

理解:第一层LSTM学习到了句法信息,所以可以用这种方式解决一词多义。

 

ELMO两阶段过程

 

第一个阶段是语言模型进行预训练;

 

第二个阶段是在做下游任务时,从预训练网络中提取对应单词的网络各层的Word Embedding作为新特征补充到下游任务中。

 

3.2.3 GPT

 

GPT全称为Generative Pre-Training,它和ELMO类似都使用了Transformer,但与ELMO不同的是采用了单向的语言模型,也即只采用单词的上文来进行预测。其余与ELMO几乎一样这里就不展开介绍了。

 

3.2.4 BERT

 

BERT 在 GPT 的基础上使用了双向的Transformer block连接,为了适配多任务下的迁移学习,BERT设计了更通用的输入层和输出层。

 

BERT两阶段过程

 

第一阶段双向语言模型预训练,第二阶段采用具体任务Fine-tuning。

 

目标函数

 

BERT预训练模型分为以下三个步骤:Embedding、Masked LM、Next Sentence Prediction

 

Embedding

 

这里的Embedding由三种Embedding求和而成:

 

 

Token Embeddings:是词向量,第一个单词是CLS标志,可以用于之后的分类任务

 

Segment Embeddings:将句子分为两段,用来区别两种句子,因为预训练不光做LM还要做以两个句子为输入的分类任务

 

Position Embeddings:和之前文章中的Transformer不一样,不是三角函数而是学习出来的

 

Masked LM

 

随机mask每一个句子中15%的词,用其上下文来做预测。采用非监督学习的方法预测mask位置的词。在这15%中,80%是采用[mask],10%是随机取一个词来代替mask的词,10%保持不变。

 

Next Sentence Prediction

 

用A+B/C来作为样本:选择一些句子对A与B,其中50%的数据B是A的下一条句子,剩余50%的数据B是语料库中随机选择的,学习其中的相关性,添加这样的预训练的目的是目前很多NLP的任务比如QA和NLI都需要理解两个句子之间的关系,从而能让预训练的模型更好的适应这样的任务。

 

Bert的优缺点

 

Bert 对硬件资源的消耗巨大,大模型需要16个tpu,历时四天;更大的模型需要64个tpu,历时四天。

 

Bert 最大的亮点在于效果好及普适性强,几乎所有NLP任务都可以套用Bert这种两阶段解决思路,而且效果应该会有明显提升。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注