大模型算法面试笔记——Bert

动机

提出一个基于微调的NLP模型，预训练的模型抽取了足够多的信息，新的任务只需要增加一个简单的输出层。
Bert本质是只有编码器的Transformer，分为两类

• BERT-Base: 12层，hidden size = 768，heads = 12，parameters = 110M
• BERT-Large: 24层，hidden size = 1024，heads = 16，parameters = 340M
• 在大规模数据上训练>3B词

两类预训练任务

• 掩码语言模型（Masked Language Model, MLM）：挖完形填空，用[MASK]代替原词，根据左右上下文（双向）来预测原词
• 下一句预测：训练模型理解句子间的逻辑关系，用句子开始标记[CLS]向量对应的输出进行二分类任务（是否为下一句）

三部分Embedding

不同于Transformer的encoder-decoder架构，输入输出的句子对分别进encoder和decoder，Bert的输入是将句子对拼接起来，句子开头打[CLS]标记，句子之间（每个句子结尾）打<sep>标记。同时加入额外的片段嵌入和位置编码，片段嵌入用来区分不同的句子，位置编码非手动设计，而是可学习编码。
Bert在预训练时，用了掩码（mask），每次随机（15%概率）将一些词元换成，为了让预训练的模型可以很好的适用于通用任务，用概率来控制使用mask的部分（如80%将选中的词元变成，10%的选中词元被替换成随机词元，剩下10%保持原有词元，这里的概率是针对被选中的15%数据来算的）。

例：

• 80%的词被正常替换成[Mask]：my dog is hairy $\to$my dog is [MASK]
• 10%被替换成随机的词：my dog is hairy $\to$my dog is apple，引入噪音，防止模型对[MASK]过拟合，加强鲁棒性
• 10%不替换：my dog is hairy $\to$my dog is hairy，桥接预训练与微调任务，提高微调任务的稳定性

15%的掩码比例如果改变，过低则学习信号不足，过高则破坏句子的语义结构。

超参数与可学习参数换算

可学习参数主要来自于两部分，embedding和transformer块。

embedding层

• 输入：词典大小30k
• 输出：隐藏层维度$H$

transformer块

• QKV可学习矩阵：$H^2\times 3$
• 输出投影矩阵：$H^2$
• 两个输入为$H$输出为$4H$的全连接层：$8H^2$
• $L$个transformer块：$L\times 12H^2$

总参数：$30k\times H+L\times H^2\times 12$