Bert的一些理解

Bert的一些理解

    • [Masked Language Model (MLM)](#Masked Language Model (MLM))
    • [Next Sentence Prediction (NSP)](#Next Sentence Prediction (NSP))
    • 总结

参考链接1
参考链接2

BERT 模型的训练数据集通常是以预训练任务的形式来构建的,其中包括两个主要任务:Masked Language Model (MLM)Next Sentence Prediction (NSP)。下面简要介绍这两个任务在数据集中的格式:

Masked Language Model (MLM)

  • 在 MLM 中,输入文本会被处理为一组 token 序列,其中一些 token 会被随机选择并替换为特殊的 [MASK] 标记。
  • 数据集中的每条样本是一个包含 [CLS] 句子 A [SEP] 句子 B [SEP] 的序列。
  • 句子 A 和句子 B 可能是相邻的句子,也可能是来自不同文本的句子。
  • 对于每个样本,一部分 token 会被随机选择并替换为 [MASK] 标记。
  • 训练时,BERT 模型需要预测这些被遮挡的 token。

举个例子

Next Sentence Prediction (NSP)

  • NSP 任务通过判断两个句子是否在原始文本中相邻来训练模型,以帮助提高模型在理解句子之间关系方面的能力。
  • 数据集中的每条样本由一对句子组成,包括正例 (IsNext) 和负例 (NotNext)。
  • 正例是原始文本中相邻的两个句子,负例是从其他地方抽取的两个不相邻的句子。
  • BERT 模型需要通过 NSP 任务来预测这对句子是否是相邻的。

举个例子:

对于每一个训练样例,我们在语料库中挑选出句子A和句子B来组成,50%的时候句子B就是句子A的下一句(标注为IsNext),剩下50%的时候句子B是语料库中的随机句子(标注为NotNext)。接下来把训练样例输入到BERT模型中,用[CLS]对应的C信息去进行二分类的预测。

因此,BERT 模型的训练数据集会以一定格式准备包含上述任务的样本,以便模型在预训练阶段学习语言表示。这种训练数据集的设计有助于提高模型对语言理解和推理的能力。

总结

相关推荐
Tech Synapse16 分钟前
电商商品推荐系统实战:基于TensorFlow Recommenders构建智能推荐引擎
人工智能·python·tensorflow
帅帅的Python16 分钟前
2015-2023 各省 GDP 数据,用QuickBI 进行数据可视化——堆叠图!
大数据·人工智能
weixin_4307509325 分钟前
智能小助手部署 Win10 + ollama的Deepseek + CentOS+ maxKB
linux·人工智能·机器学习·语言模型·自然语言处理·centos
Panesle30 分钟前
大模型微调与蒸馏的差异性与相似性分析
人工智能·微调·蒸馏
多巴胺与内啡肽.30 分钟前
深度学习--循环神经网络RNN
人工智能·rnn·深度学习
子燕若水39 分钟前
解释PyTorch中的广播机制
人工智能·pytorch·python
计算机真好丸40 分钟前
第R4周:LSTM-火灾温度预测
人工智能·rnn·lstm
数据与人工智能律师44 分钟前
正确应对监管部门的数据安全审查
大数据·网络·数据库·人工智能·区块链
偶尔微微一笑1 小时前
sgpt在kali应用
linux·人工智能·python·自然语言处理
朝阳391 小时前
Electron Forge【实战】桌面应用 —— AI聊天(下)
人工智能·electron