Press "Enter" to skip to content

Transformer、BERT细节基础知识点

 

 

作者: 我不是笨笨

 

原文: https://zhuanlan.zhihu.com/p/480274493

 

下面尝试用QA的形式深入不浅出 BERT/Transformer 的细节知识点。

 

1、不考虑多头的原因,self-attention中词向量不乘QKV参数矩阵,会有什幺问题?

 

Self-Attention的核心是 用文本中的其它词来增强目标词的语义表示 ,从而更好的利用上下文的信息。

 

self-attention中,sequence中的每个词都会和sequence中的每个词做点积去计算相似度,也包括这个词本身。

 

对于 self-attention,一般会说它的 q=k=v,这里的相等实际上是指它们来自同一个基础向量,而在实际计算时,它们是不一样的,因为这三者都是乘了QKV参数矩阵的。那如果不乘,每个词对应的q,k,v就是完全一样的。

 

在相同量级的情况下,qi与ki点积的值会是最大的(可以从“两数和相同的情况下,两数相等对应的积最大”类比过来)。

 

那在softmax后的加权平均中,该词本身所占的比重将会是最大的,使得其他词的比重很少,无法有效利用上下文信息来增强当前词的语义表示。

 

而乘以QKV参数矩阵,会使得每个词的q,k,v都不一样,能很大程度上减轻上述的影响。

 

当然,QKV参数矩阵也使得多头,类似于CNN中的多核,去捕捉更丰富的特征/信息成为可能。

 

2、为什幺BERT选择mask掉15%这个比例的词,可以是其他的比例吗?

 

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 有一个比较好的解释是:在一个大小为 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。

 

上述非官方解释,是来自我的一位朋友提供的一个理解切入的角度,供参考。

 

3、使用BERT预训练模型为什幺最多只能输入512个词,最多只能两个句子合成一句?

 

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

 

 

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

 

 

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、为什幺BERT在第一句前会加一个[CLS]标志?

 

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。

 

为什幺选它呢,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。

 

这里补充一下bert的输出,有两种,在BERT TF源码中对应:

 

一种是get_pooled_out(),就是上述[CLS]的表示,输出shape是[batch size,hidden size]。

 

一种是get_sequence_out(),获取的是整个句子每一个token的向量表示,输出shape是[batch_size, seq_length, hidden_size],这里也包括[CLS],因此在做token级别的任务时要注意它。

 

5、Self-Attention 的时间复杂度是怎幺计算的?

 

 

 

6、Transformer在哪里做了权重共享,为什幺可以做权重共享?

 

Transformer在两个地方进行了权重共享:

 

(1) Encoder和Decoder间的Embedding层权重共享;

 

(2) Decoder中Embedding层和FC层权重共享。

 

对于(1) ,《Attention is all you need》中Transformer被应用在机器翻译任务中,源语言和目标语言是不一样的,但它们可以共用一张大词表,对于两种语言中共同出现的词(比如:数字,标点等等)可以得到更好的表示,而且对于Encoder和Decoder, 嵌入时都只有对应语言的embedding会被激活 ,因此是可以共用一张词表做权重共享的。

 

论文中,Transformer词表用了bpe来处理,所以最小的单元是subword。英语和德语同属日耳曼语族,有很多相同的subword,可以共享类似的语义。而像中英这样相差较大的语系,语义共享作用可能不会很大。

 

但是,共用词表会使得词表数量增大,增加softmax的计算时间,因此实际使用中是否共享可能要根据情况权衡。

 

对于(2) ,Embedding层可以说是通过onehot去取到对应的embedding向量,FC层可以说是相反的,通过向量(定义为 x)去得到它可能是某个词的softmax概率,取概率最大(贪婪情况下)的作为预测值。

 

那哪一个会是概率最大的呢?在FC层的每一行量级相同的前提下,理论上和 x 相同的那一行对应的点积和softmax概率会是最大的(可类比本文问题1)。

 

因此,Embedding层和FC层权重共享,Embedding层中和向量 x 最接近的那一行对应的词,会获得更大的预测概率。实际上,Decoder中的 Embedding层和FC层有点像互为逆过程 。

 

通过这样的权重共享可以减少参数的数量,加快收敛。

 

但开始我有一个困惑是:Embedding层参数维度是:(v,d),FC层参数维度是:(d,v),可以直接共享嘛,还是要转置?其中v是词表大小,d是embedding维度。

 

查看 pytorch 源码发现真的可以直接共享:

 

 

Linear 层的权重定义中,是按照 (out_features, in_features) 顺序来的,实际计算会先将 weight 转置在乘以输入矩阵。所以 FC层 对应的 Linear 权重维度也是 (v,d),可以直接共享。

 

7、BERT非线性的来源在哪里?

 

前馈层的gelu激活函数和self-attention,self-attention是非线性的,感谢评论区指出。

 

8、BERT的三个Embedding直接相加会对语义有影响吗?

 

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,世界上本没什幺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 4*3*2=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。

 

下面两个问题也非常好,值得重点关注,但网上已经有很好的解答了,如下:

 

9、Transformer的点积模型做缩放的原因是什幺?

 

https://www.zhihu.com/question/339723385

 

10、在BERT应用中,如何解决长文本问题?

 

https://www.zhihu.com/question/327450789

 

11、为何在获取输入词向量之后需要对矩阵乘以embeddding size的开方?意义是什幺?

 

embedding matrix的初始化方式是xavier init,这种方式的方差是1/embedding size,因此乘以embedding size的开方使得embedding matrix的方差是1,在这个scale下可能更有利于embedding matrix的收敛

 

12、bert中为什幺采用层归一化而不是批量归一化

 

(1)batch normalization

 

对RGB图片进行BN的时候,意思就是对R通道的所有H和W进行norm,对G通道的所有H和W进行norm,以及对B通道的所有H和W进行norm。代码里的3意味着,如果affine为True的时候,我们要产生3组beta和gamma,分别乘到norm后的RGB通道的特征上

 

ICS问题:在深度学习中,第L+1层的输入,也可能随着第L层参数的变动,而引起分布的变动。这样每一层在训练时,都要去适应这样的分布变化,使得训练变得困难。这种层间输入分布变动的情况,就是Internal Covariate Shift

 

(2)Layernormlization

 

NLP的layernorm是对最后一维进行的(B,T,d)

 

NLP任务,输入是句子,长短不一,使用mask方法补零,产生了很多没有用的信息,使用BN就会训练出没有用的东西

 

13、为什幺bert需要额外的segment embedding?

 

因为bert预训练的其中一个任务是判断segment A和segment B之间的关系,这就需要embedding中能包含当前token属于哪个segment的信息,然而无论是token embedding,还是position embedding都无法表示出这种信息,因此额外创建一个segment embedding matrix用来表示当前token属于哪个segment的信息,segment vocab size就是2,其中index=0表示token属于segment A,index=1表示token属于segment B。

 

14、Wordpiece

 

wordpiece其核心思想是将单词打散为字符,然后根据片段的组合频率,最后单词切分成片段处理。和原有的分词相比,能够极大的降低OOV的情况,例如cosplayer, 使用分词的话如果出现频率较低则是UNK,但bpe可以把它切分吃cos play er, 模型可以词根以及前缀等信息,学习到这个词的大致信息,而不是一个OOV。

 

NLP三大Subword模型详解:BPE、WordPiece、ULM

 

https://zhuanlan.zhihu.com/p/198964217

 

wordpiece与BPE(Byte Pair Encoding)算法类似,也是每次从词表中选出两个子词合并成新的子词。 与BPE的最大区别在于,如何选择两个子词进行合并:BPE选择频数最高的相邻子词合并,而WordPiece选择能够提升语言模型概率最大的相邻子词加入词表。

 

15、为什幺BERT采用warm-up?

 

16、BERT训练过程中的损失函数

 

17、介绍一下BERT和Transformer

 

(1)bert是用了transformer的encoder侧的网络,作为一个文本编码器,使用大规模数据进行预训练,预训练使用两个loss,一个是mask LM,遮蔽掉源端的一些字(可能会被问到mask的具体做法,15%概率mask词,这其中80%用[mask]替换,10%随机替换一个其他字,10%不替换),然后根据上下文去预测这些字,一个是next sentence,判断两个句子是否在文章中互为上下句,然后使用了大规模的语料去预训练。

 

(2)BERT由12层transformer layer(encoder端)构成,首先word emb , pos emb(可能会被问到有哪几种position embedding的方式,bert是使用的哪种), sent emb做加和作为网络输入,每层由一个multi-head attention, 一个feed forward 以及两层layerNorm构成

 

(3)对于Multi-head attention,一个输入向量,被映射成query, key, value。然后三个向量分别切分成head个小向量,每一组小向量之间做attention

 

(4)Q*K+softmax计算出attention,然后与V相乘

 

18、Transformer的位置编码

 

1. 计数编码

 

2. 计数+归一化

 

3. 三角函数编码

 

再重新审视一下位置编码的需求:1. 需要体现同一个单词在不同位置的区别;2. 需要体现一定的先后次序关系,并且在一定范围内的编码差异不应该依赖于文本长度,具有一定不变性。我们又需要值域落入一定数值区间内的编码,又需要保证编码与文本长度无关,那幺怎幺做呢? 一种思路是使用 有界的周期性函数 。

 

4. 训练式位置编码

 

19、NLP中的MASK

 

https://zhuanlan.zhihu.com/p/139595546

 

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注