8.1 预训练语言模型BERT------预训练语言模型 BERT
第6章介绍了以Word2Vec为代表的传统词向量学习方法，本质上这是一种静态的词向量表示方法，即在训练完成之后，词向量不会随着语境进行相应变化，例如，"这类桃子水分很足"和"他的话有很多水分"，对于"水分"这个词，在这两句话中明显有着不同的语义，但是静态词向量是固定的，不会随着语境进行变化。
鉴于此，后续逐步出现了动态词向量的算法，其中比较早期算法是ELMO模型，其根据上下文实时计算，从而动态生成单词的词向量。近年来，以BERT为代表的模型吸取了ELMO模型的思路并异军突起，其通过在大规模文本上进行预训练，学到了很好的语言知识，能够更好地进行词向量表示，当前已经成为主流的文本表示模型。
1. 预训练模型是什么
在正式讲解之前，我们先来了解一下什么是预训练模型。从字面上看，预训练模型（pre-training model）是先通过一批语料进行训练模型，然后在这个初步训练好的模型基础上，再继续训练或者另作他用。这样的理解基本上是对的，预训练模型的训练和使用分别对应两个阶段：预训练阶段（pre-training）和 微调（fune-tuning）阶段。
预训练阶段一般会在超大规模的语料上，采用无监督（unsupervised）或者弱监督（weak-supervised）的方式训练模型，经过大规模语料的"洗礼"，预训练模型能够学习到语言相关的知识，比如句法，语法知识等等。
微调阶段是利用预训练好的模型，去定制化地训练某些任务，使得预训练模型"更懂"这个任务。例如，利用预训练好的模型继续训练文本分类任务，将会获得比较好的一个分类结果，直观地想，预训练模型已经懂得了语言的知识，在这些知识基础上去学习文本分类任务将会事半功倍。利用预训练模型去微调的一些任务(例如前述文本分类)被称为下游任务（down-stream）。
预训练模型极大地推动了自然语言处理领域的发展，推动了自然语言处理任务不断达到更好的效果，并开启了自然语言处理任务的训练新范式：预训练+微调。
2. BERT 网络结构
近年来，基于Transformer结构的模型大放异彩，基于Transformer结构Encoder或Decoder结构设计的预训练模型不断被提出，特别是在2018年预训练模型BERT的提出，其在多项NLP任务上均取得了突破性的进展，具有里程碑式的意义。自此，不管是学术界，还是工业界均掀起了基于Transformer的预训练模型研究和应用的热潮，并且逐渐从NLP延伸到CV、语音等多项领域。
BERT（Bidirectional Encoder Representations from Transformers）以Transformer Encoder为网络基本组件，如图2.1 所示，其中每层的Encoder Layer的模型细节同Transfomer Encoder Layer是一样的，这部分内容在《Transformer网络结构》一节中已经详细讲过，这里不再赘述。
图 2.1 Bert网络结构
下面，BERT同原始Transformer Encoder不同的地方主要聚焦于嵌入层。下面我们来进一步看一下。
2.1 引入更多项 Embedding类型
从图2.1可以看到，相比于Transformer，BERT模型的嵌入层多了一个分段编码（Segment Embedding）。即BERT的输入Embedding是由三部分相加获得：token编码（Token Embedding）、分段编码（Segment Embedding）、位置编码（Positional Embedding）。
2.1.1 token编码
token编码（Token Embedding）是指将输入的文本经分词后，将分词后的每个token映射为对应的词向量，该项编码能够表示Token本身的语义信息。其可以按照如下方式进行初始化：
class paddle.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, sparse=False, weight_attr=None, name=None)
关键参数含义如下：
- vocab_size: 词表中的单词数量。
- emb_size: 词向量的维度。
- padding_idx: 如果配置padding_idx，在训练过程中遇到此id时，其参数及对应的梯度将会以0进行填充。
2.1.2 位置编码
BERT模型基于Transformer Encoder部分的模型结构构建的，因此BERT模型同样不具有RNN模型那样表示顺序的能力。引入需要通过位置编码（Positional Embedding）为各个token引入对应的位置信息。
但与Transformer不同的是，BERT模型的位置编码初始化并不是按照三角函数进行初始化的，而是将位置编码作为可学习的参数，使用paddle.nn.Embedding初始化位置编码。
2.1.3 分段编码
BERT模型支持同时输入多个语句，从而建模语句级别的任务，例如用于判断两句话是否相似的文本匹配任务。多个语句之间是通过拼接成一段话输入至BERT模型的，因此可以通过引入一个新的编码：分段编码（Segment Embedding）用于标记输入句子，帮助模型区分输入的不同句子。
例如在图2.1中，用A表示第一个句子，用B表示第2个句子，则会用分段编码E_A表示标记句子A，E_B表示标记句子B。 其同样可以使用paddle.nn.Embedding进行初始化。
在分别获取token编码、位置编码和分段编码后，将这三者进行相加获取最终的输入向量，此时该向量即同时包含了这三者的信息，能够帮助BERT模型更好地进行建模NLP任务。
2.2 输入句子的形式
BERT模型支持输入1到多个句子，从而进行不同的任务，但输入的语句默认需要遵循一定的规则。图2.2展示了BERT模型在输入1条语句和2条语句时的输入形式。默认情况下，语句开头需要拼接一个[CLS]token，不同的句子中间需要用[SEP]token进行拼接。
一般情况下，[CLS]位置输出的向量能够通过自注意力的结构学习到整个句子的语义，所以其可以被视为输入语句的语义向量，基于该向量可以进行不同的下游任务，例如文本分类。
图 2.2 Bert模型输入形式