ArXiv：https://arxiv.org/abs/1810.04805
github：GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT
一、模型及特点：
1、模型：
深层双向transformer encoder结构
BERT-BASE：(L=12, H=768, A=12）
BERT-LARGE：(L=24, H=1024, A=16）
2、特点：
不同任务使用统一架构，预训练和微调只有很小不同
双向预训练模型------通过训练MLM子任务获得
二、训练：两阶段训练------预训练和微调
1、预训练：
（1）训练设置
1）在无标签、不同任务上训练
2）训练两个子任务：Masked LM（MLM）,Next Sentence Prediction (NSP)
MLM：为了双向模型
损失函数：cross entropy loss
mask：随机选择15%的位置，被选择的位置有80%mask，10%随机token，10%unchanged。训练中位置不变，但是由于每个句子不一样，所以预测的token也不是每次都一样。
NSP：为了理解句子关系
（2）数据：
BooksCorpus (800M words)、English Wikipedia (2,500M words) extract only the text passages and ignore lists, tables, and headers.
2、微调：
预训练参数初始化，针对不对任务在有标签数据的所有参数微调，不同任务各自单独微调。
三、实验：
1、数据：
GLUE、SQuAD v1.1（问答。损失函数-最大似然，首先在TriviaQA上微调，然后在SQuAD 上微调）、SQuAD v2.0（没有在TriviaQA上微调）、The Situations With Adversarial Generations (SWAG)