目录
参考：
[LLM] 自然语言处理 --- ALBERT 介绍_albert模型-CSDN博客
ALBERT：更轻更快的NLP预训练模型_AI&大模型_小Dream哥_InfoQ精选文章
Bert
BERT，基于transformer的双向编码表示，它是一个预训练模型，模型训练时的两个任务是预测句子中被掩盖的词以及判断输入的两个句子是不是上下句。在预训练好的BERT模型后面根据特定任务加上相应的网络，可以完成NLP的下游任务，比如文本分类、机器翻译等。
它的整体框架是由多层transformer的encoder堆叠而成的。每一层的encoder则是由一层muti-head-attention和一层feed-forword组成，大的模型有24层，每层16个attention，小的模型12层，每层12个attention。每个attention的主要作用是通过目标词与句子中的所有词汇的相关度，对目标词重新编码。所以每个attention的计算包括三个步骤：计算词之间的相关度，对相关度归一化，通过相关度和所有词的编码进行加权求和获取目标词的编码。
1：输入
详细解释这三个embedding：BERT的嵌入层是如何实现的？看完你就明白了 (qq.com)
2：Bert结构
其实就是Transformer里面的Encoder，省略，想看可以去：
学习记录--Transformer（学习记录，大部分copy）-CSDN博客
补充（Batch Normalization和Layer Normalization的区别）：
Batch Normalization是在batch间选择同一个位置的值做归一化，相当于是对batch里相同位置的字或者单词embedding做归一化，Layer Normalization是在一个Batch里面的每一行做normalization，相当于是对每句话的embedding做归一化。显然，LN更加符合我们处理文本的直觉。
3：模型预训练
（1）masked language model
随机掩盖掉一些单词，然后通过上下文预测该单词。BERT中有15%的wordpiece token会被随机掩盖，这15%的token中80%用[MASK]这个token来代替，10%用随机的一个词来替换，10%保持这个词不变。这种设计使得模型具有捕捉上下文关系的能力，同时能够有利于token-level tasks例如序列标注。
Q：为什么选中的15%的wordpiece token不能全部用 [MASK]代替，而要用 10% 的 random token 和 10% 的原 token
MASK\] 是以一种显式的方式告诉模型『这个词我不告诉你，你自己从上下文里猜』，从而防止信息泄露。如果 \[MASK\] 以外的部分全部都用原 token，模型会学到『如果当前词是 \[MASK\]，就根据其他词的信息推断这个词；如果当前词是一个正常的单词，就直接抄输入』。这样一来，在 finetune 阶段，所有词都是正常单词，模型就照抄所有词，不提取单词间的依赖关系了。 以一定的概率填入 random token，就是让模型时刻堤防着，在任意 token 的位置都需要把当前 token 的信息和上下文推断出的信息相结合。这样一来，在 finetune 阶段的正常句子上，模型也会同时提取这两方面的信息，因为它不知道它所看到的『正常单词』到底有没有被动过手脚的。 Q：最后怎么利用\[MASK\] token做的预测？ 最终的损失函数只计算被mask掉的token的，每个句子里 \[MASK\] 的个数是不定的。实际代码实现是每个句子有一个 maximum number of predictions，取所有 \[MASK\] 的位置以及一些 PADDING 位置的向量拿出来做预测（总共凑成 maximum number of predictions 这么多个预测，是定长的），然后再用掩码把 PADDING 盖掉，只计算\[MASK\]部分的损失。 **（2）next sentence prediction** 语料中50%的句子，选择其相应的下一句一起形成上下句，作为正样本；其余50%的句子随机选择一句非下一句一起形成上下句，作为负样本。这种设定，有利于sentence-level tasks，例如问答。注意：作者特意说了语料的选取很关键，要选用document-level的而不是sentence-level的，这样可以具备抽象连续长序列特征的能力。 *** ** * ** *** ## Albert 总体来说，ALBERT有意义的创新主要有： 1. 修正了句子预测这一一直被诟病的预训练任务，改为了**预测句子之间的连贯性**； 2. 对**Embedding** 进行**因式分解**； 3. **跨层** **参数共享**。 ### 1：SOP任务 BERT在提出的时候提供了两种预训练任务，一个是遮蔽语言模型，即以一定比例随机遮蔽一定比例的输入标记，然后预测那些被遮蔽的标记的预训练任务（PS：ALBERT也不是直接做这个任务，而是换成N-gram的预测任务），另一个则是预测第二个句子是不是第一个句子的下一句。但在随后的实践中，第二个任务被证明并没有给模型带来受益，主要由于这个任务过于简单。于是，在ALBERT中这个任务被换成了**预测句子间的顺序**，增加模型学会这种任务的能力 ### 2：embedding因式分解 词向量只是记忆了相对少量的词语的信息，更多的语义和句法等信息时由隐藏层记忆的。因此，他们认为，词嵌入的维度可以不必与隐藏层的维度一致，可以通过降低词嵌入的维度的方式来减少参数量。假设词表的大小为 V，词嵌入的维度为 E，隐藏层的维度为 H。BERT 的情况是，E=H；ALBERT 的方案是，**将 E 降低** ，在词嵌入和隐藏层之间**加入一个 project 层** ，连接两个层。我们来分析一下，两种情况嵌入层的参数量。 ### 3：参数共享 BERT_base 中，包含 12 层中间的隐藏层；BERT_large 中，包含 24 层中间的隐藏层；各层之间的参数均不共享。  参数共享可以显著减少参数数量，参数共享可以分为**全连接层** 、**注意力层**的参数共享；在 ALBERT 中，全连接层、注意力层的参数均是共享的，也就是 ALBERT 依然有多层的深度连接，但是各层之间的参数是一样的。很明显的，通过这种方式，ALBERT 中隐藏层的参数量变为原来的 1/12 或者 1/24。 总结：总的来说，ALBERT 利用词嵌入参数因式分解和隐藏层间参数共享两种手段，在显著减少了模型的参数量的同时，基本没有损失模型的性能 *** ** * ** *** ## RoBerta 在模型规模、算力和数据上，与BERT相比主要有以下几点改进： * 更大的模型**参数**量（论文提供的训练时间来看，模型使用 1024 块 V100 GPU 训练了 1 天的时间） * 更大**bacth size**。RoBERTa 在训练过程中使用了更大的bacth size。尝试过从 256 到 8000 不等的bacth size。 * 更多的**训练数据**（包括：CC-NEWS 等在内的 160GB 纯文本。而最初的BERT使用16GB BookCorpus数据集和英语维基百科进行训练） RoBERTa在训练方法上有以下改进： * 去掉下一句预测(NSP)任务 * 动态掩码。BERT 依赖随机掩码和预测 token。原版的 BERT 实现在数据预处理期间执行一次掩码，得到一个静态掩码。 而 RoBERTa 使用了动态掩码：每次向模型输入一个序列时都会生成新的掩码模式。这样，在大量数据不断输入的过程中，模型会逐渐适应不同的掩码策略，学习不同的语言表征。 * 文本编码。Byte-Pair Encoding（BPE）是字符级和词级别表征的混合，支持处理自然语言语料库中的众多常见词汇。原版的 BERT 实现使用字符级别的 BPE 词汇，大小为 30K，是在利用启发式分词规则对输入进行预处理之后学得的。Facebook 研究者没有采用这种方式，而是考虑用更大的 byte 级别 BPE 词汇表来训练 BERT，这一词汇表包含 50K 的 subword 单元，且没有对输入作任何额外的预处理或分词。