Bert需要理解的一些内容

Bert的是怎样实现mask构造的？

• MLM：将完整句子中的部分字mask，预测该mask词
• NSP：为每个训练前的例子选择句子 A 和 B 时，50% 的情况下 B 是真的在 A 后面的下一个句子， 50% 的情况下是来自语料库的随机句子，进行二分预测是否为真实下一句

在数据中随机选择 15% 的标记，其中80%被换位[mask]，10%不变、10%随机替换其他单词，这样做的原因是什么？

• mask只会出现在构造句子中，当真实场景下是不会出现mask的，全mask不match句型了
• 随机替换也帮助训练修正了[unused]和[UNK]
• 强迫文本记忆上下文信息

为什么BERT有3个嵌入层，它们都是如何实现的？

• input_id是语义表达，和传统的w2v一样，方法也一样的lookup
• segment_id是辅助BERT区别句子对中的两个句子的向量表示，从[1,embedding_size]里面lookup
• position_id是为了获取文本天生的有序信息，否则就和传统词袋模型一样了，从[511,embedding_size]里面lookup

bert的损失函数？

• MLM:在 encoder 的输出上添加一个分类层,用嵌入矩阵乘以输出向量，将其转换为词汇的维度,用 softmax 计算mask中每个单词的概率
• NSP:用一个简单的分类层将 [CLS] 标记的输出变换为 2×1 形状的向量,用 softmax 计算 IsNextSequence 的概率
• MLM+NSP即为最后的损失

手写一个multi-head attention？

tf.multal(tf.nn.softmax(tf.multiply(tf.multal(q,k,transpose_b=True),1/math.sqrt(float(size_per_head)))),v)

长文本预测如何构造Tokens？

• head-only：保存前 510 个 token （留两个位置给 [CLS] 和 [SEP] ）
• tail-only：保存最后 510 个token
• head + tail ：选择前128个 token 和最后382个 token（文本在800以内）或者前256个token+后254个token（文本大于800tokens）

你用过什么模块？bert流程是怎么样的？

• modeling.py
• 首先定义处理好输入的tokens的对应的id作为input_id,因为不是训练所以input_mask和segment_id都是采取默认的1即可
• 在通过embedding_lookup把input_id向量化，如果存在句子之间的位置差异则需要对segment_id进行处理，否则无操作；再进行position_embedding操作
• 进入Transform模块，后循环调用transformer的前向过程，次数为隐藏层个数，每次前向过程都包含self_attention_layer、add_and_norm、feed_forward和add_and_norm四个步骤
• 输出结果为句向量则取[cls]对应的向量（需要处理成embedding_size），否则也可以取最后一层的输出作为每个词的向量组合all_encoder_layers[-1]

知道分词模块：FullTokenizer做了哪些事情么？

• BasicTokenizer：根据空格等进行普通的分词
  • 包括了一些预处理的方法：去除无意义词，跳过’\t’这些词，unicode变换，中文字符筛选等等
• WordpieceTokenizer：前者的结果再细粒度的切分为WordPiece
  • 中文不处理，因为有词缀一说：解决OOV

Bert中如何获得词意和句意？

• get_pooled_out代表了涵盖了整条语句的信息
• get_sentence_out代表了这个获取每个token的output 输出，用的是cls向量

源码中Attention后实际的流程是如何的？

• Transform模块中：在残差连接之前，对output_layer进行了dense+dropout后再合并input_layer进行的layer_norm得到的attention_output
• 所有attention_output得到并合并后，也是先进行了全连接，而后再进行了dense+dropout再合并的attention_output之后才进行layer_norm得到最终的layer_output

为什么要在Attention后使用残差结构？

残差结构能够很好的消除层数加深所带来的信息损失问题

平时用官方Bert包么？耗时怎么样？

• 第三方：bert_serving
• 官方：bert_base
• 耗时：64GTesla，64max_seq_length，80-90doc/s
  • 在线预测只能一条一条的入参，实际上在可承受的计算量内batch越大整体的计算性能性价比越高