BERT-微调任务

一、今日内容概览

核心学习内容

• ​​微调任务​​：完形填空任务(MLM) + NSP任务

• ​​NLP数据集​​：标准评估数据集介绍

• ​​BERT模型​​：核心原理与架构详解

二、微调任务详解

2.1 完形填空任务(MLM任务)

任务目标

• ​​输入​​：一句话，其中MASK掉一个字

• ​​输出​​：预测被MASK的字

• ​​目的​​：训练模型进行填空补全

实现流程

1. ​​数据预处理​​

   • 加载CSV格式的训练/测试数据

   • 过滤长度不足的文本样本

   • 固定位置(第16个词)替换为[MASK]标记

   • 生成对应的标签数据

2. ​​模型架构设计​​

   class MyModel(torch.nn.Module):
       def __init__(self):
           super().__init__()
           self.linear = torch.nn.Linear(768, tokenizer.vocab_size)
   
       def forward(self, input_ids, attention_mask, token_type_ids):
           # 冻结预训练模型参数
           with torch.no_grad():
               out = pretrained_model(input_ids, attention_mask, token_type_ids)
           # 下游任务线性层
           return self.linear(out.last_hidden_state[:, 16])

3. ​​训练策略​​

   • 预训练模型参数冻结，不参与训练

   • 仅训练下游任务的线性分类层

   • 使用交叉熵损失函数

   • 定期计算准确率评估效果

4. ​​评估指标​​

   • 预测准确率

   • 损失函数下降趋势

   • 训练时间监控

2.2 NSP任务(下一句话预测)

任务目标

• ​​输入​​：两句话

• ​​输出​​：判断第二句是否为第一句的下一句

• ​​目的​​：训练模型理解句子间逻辑关系

关键技术点

1. ​​数据构造策略​​

   • 正样本：真实连续的上下句(50%)

   • 负样本：随机组合的不相关句子(50%)

   • 动态生成训练样本，增强数据多样性

2. ​​自定义数据集类​​

   class MyDataset(Dataset):
       def __getitem__(self, index):
           # 从原始文本中提取连续两句作为正样本
           # 随机组合其他句子作为负样本
           return sent1, sent2, label

3. ​​模型设计特点​​

   • 使用BERT的pooler_output(句向量)

   • 二分类输出层(是/不是下一句)

   • 同样冻结预训练参数

三、NLP标准数据集

核心评估数据集列表

1. ​​CoLA​​：语言可接受性语料库

2. ​​SST-2​​：斯坦福情感树库

3. ​​MRPC​​：微软释义语料库

4. ​​STS-B​​：语义文本相似度基准

5. ​​QQP​​：Quora问题对

6. ​​MNLI​​：多类型自然语言推理

7. ​​SNLI​​：斯坦福自然语言推理

8. ​​QNLI​​：问题自然语言推理

9. ​​RTE​​：识别文本蕴含

10. ​​WNLI​​：Winograd自然语言推理

11. ​​diagnostics​​：诊断数据集

数据集重要性

• ​​基准测试​​：衡量模型性能的统一标准

• ​​全面评估​​：覆盖不同NLP任务类型

• ​​学术认可​​：业界广泛接受的评估体系

四、BERT模型深度解析

4.1 BERT核心概述

• ​​提出时间​​：2018年10月(Google AI)

• ​​全称​​：Bidirectional Encoder Representation from Transformers

• ​​核心创新​​：双向上下文理解

4.2 模型架构详解

三层结构设计

1. ​​Embedding层​​

   • Token Embedding：词嵌入(包含[CLS]特殊标记)

   • Segment Embedding：句子分段信息

   • Position Embedding：位置编码信息

2. ​​Transformer编码器层​​

   • 仅使用Encoder部分，舍弃Decoder

   • 多层Transformer堆叠

   • 实现真正的双向注意力机制

3. ​​预微调模块​​

   • 任务特定的输出层

   • 根据不同下游任务灵活调整

4.3 预训练任务机制

任务一：Masked Language Model (MLM)

• ​​MASK策略​​：

  • 80%概率替换为[MASK]

  • 10%概率替换为随机词

  • 10%概率保持原词不变

• ​​训练目标​​：预测被掩盖的原始词汇

任务二：Next Sentence Prediction (NSP)

• ​​正样本​​：真实连续的句子对(50%)

• ​​负样本​​：随机组合的句子对(50%)

• ​​训练目标​​：判断句子间的逻辑关系

4.4 BERT模型特点分析

核心优势

1. ​​性能卓越​​：11项NLP任务达到state-of-the-art

2. ​​并行高效​​：基于Transformer，支持并行计算

3. ​​长距离依赖​​：有效捕捉长程语义关系

4. ​​灵活微调​​：预训练+微调范式适用多种任务

存在局限

1. ​​模型庞大​​：参数量大，资源消耗高

2. ​​中文处理​​：基于字符级别，词向量应用受限

3. ​​训练偏差​​：[MASK]标记训练与预测不一致

4. ​​收敛速度​​：仅15%token参与训练，收敛较慢

4.5 GPT模型对比

与BERT的关键差异

• ​​训练方式​​：GPT使用单向语言模型，BERT使用双向

• ​​架构选择​​：GPT基于Transformer解码器，BERT基于编码器

• ​​任务侧重​​：GPT擅长生成任务(NLG)，BERT擅长理解任务(NLU)

GPT架构特点

• 12层Decoder模块堆叠

• 自注意力机制中的掩码处理

• 从左到右的文本生成能力

五、关键知识点总结

技术实践要点

1. ​​微调策略​​：冻结预训练参数，仅训练任务特定层

2. ​​数据预处理​​：合理的文本截断、填充和标记处理

3. ​​评估监控​​：准确率、损失函数等多维度评估

理论理解重点

1. ​​BERT双向性​​：与传统语言模型的本质区别

2. ​​预训练任务​​：MLM和NSP的具体实现机制

3. ​​架构选择​​：Encoder-only设计的优势与考量

应用场景区分

• ​​完形填空​​：词汇级别理解任务

• ​​句子关系​​：语义级别理解任务

• ​​根据任务特性​​选择合适的微调方法和模型架构

这份复习笔记全面覆盖了NLP基础课程的核心内容，从实践代码到理论原理，从具体实现到架构设计，提供了系统性的知识梳理和总结。