1.简介
嘘！BERT来了,就是那个同时刷新了11个NLP任务记录的模型。从本质上来bert属于一个预训练模型，模型可以理解上下文和单词之间的关系，也可以理解句子和句子之间的关系。针对不同的任务，可以利用BERT进行不同的迁移学习。模型结构上来讲，其相当于是对Transformer中Encoder层的堆积(Bidirectional Encoder Representations from Transformers)。就这么一个本质上朴实无华的模型，是如何一时激起千层浪，将平静的NLP世界搞的天翻地覆的。下面让我们一起来领略一下其迷人之处，如果还不了解Transfomer的同学强烈建议先去学习Transformer。
2.BERT理论
1.网络结构
我们首先了解一下bert执行的整体流程，从图中看出预训练和微调时候使用的主体结构是不变的。首先每次的输入是两个句子组成的句子对，会随机的对一些词进行mask,使用CLS作为起始标志，SEP作为句子间分隔标志。然后这些词会经过图二中的嵌入层，有三层嵌入信息：词嵌入信息、句子嵌入信息、位置嵌入信息。之后接多个Transfomer中的encoder层。最后的输出去预测mask的单词，以及句子B是否为句子A的下一句子。
2.多任务学习
从上面的介绍中我们知道，bert是一个多任务学习的模型。
1.Masked Language Model：首先在每一个句子中会随机的mask掉一部分的单词，有点类似于Transfomer中的decoder部分的mask。在实际训练时，会随机的mask每个句子15%的词。80%的时间使用mask，10%的时间使用另外一个词代替mask,10%的时间使用全部句子信息。
为什么要是使用mask,我们前面说过bert相当于是将transfomer中encoder进行堆叠。encoder中的第一层self-attention会进行单词之间两两计算，也就是每一个单词中都会包含所有单词的信息(这样相当于要预测的信息已经别暴露)。encoder的本质相当于是对单词进行编码的过程，输入和输出长度一样(不是为了预测任务而设计的)。所以为了使模型具有预测的功能，同时解决信息暴露的问题。需要对encoder进行改造，借鉴自然语言模型中使用周围的词来预测中间词的机制，同时借鉴decoder中的mask机制。我们在预测的时候随机mask掉一些词，并对这些词进行预测。
2.Next Sentence Prediction:同时我们想让模型具备理解句子和句子之间关系的能力，比如给定两个句子，判断他们两之间是不是上下文的关系。对此我们设计了使用两个句子作为句子对进行输入。后面的embedding层会使每个单词携带各自所属的句子信息。
这样，我们通过对输入和输出进行改造。使我们的预训练模型 具有了多重的功能，进行简单的微调就可以很好的完成多种工作，比如文本分类、序列标注(分词、实体识别、词性标注)，判断句子关系(QA、自然语言推理)等
3.Fine-tune
BERT模型的初衷就是进行微调，以适应多种的下游任务。其设计也是非常方便进行微调。进行微调一般会有两种思路：
1.将现有的模型作为一个特征提取器，去掉其输出层，后面接对应任务所需要的输出层。当然根据实际情况，并不一定只提去最后一层的特征输出，可以是自己需要的任何层。
2.在现有模型的基础上进行训练，使新的模型更适合自己的任务。
3.有时候根据实际的情况，我们并不需要对所有的层都进行fine-tune，这时候只对部分的层进行fine-tune，后面接自己的输出层。
4.理论总结
上面我们介绍了bert的理论部分，一种基于Transfomer的encoder层堆积模型。为了进行预测，并且防止信息泄露，采用了mask机制。为了提取更高级的语义信息，并且是模型具有判断句子关系的能力，使用了next-sentence机制。没有太多花哨的操作，说太多就啰嗦了。但 其效果确实刷新了人们的认知，这也许就是所谓的大道至简吧！致敬！
3.源码
本文使用tensorflow版本BERT源进行学习，github原始链接戳此！BERT的运行对于硬件要求比较高，本人现在还是比较穷。所以我只是尝试着去使用BERT来Fine-Tuning自己的项目，后来很自然的失败了。当然为了对得起自己，我试过了各种办法，依然失败！此时我觉得这就是上帝的意思了，革命尚未成功、同志仍可放弃。再坚持也是浪费时间，所以我就果断的放弃。
但是代码我还是有认认真真的看一遍的，总得尽人事嘛！我看代码分为两部分，一尝试着给源码写注释，二值得学习的部分自己敲一遍。最主要的是要心情轻松，带着脑子。下面，开启我们的源码之旅吧！
1.训练流程思考
其实和tensorflow传统的训练流程是一样的，无非这么几步：数据预处理、构建模型、训练、验证。都是围绕着一个核心模型来的。我们把模型想象成一个婴儿，数据就是食物，构建模型就是他本身，训练就是他去学习成长，验证就是人生交出的一份份答卷。不断地迭代这个过程他就不断的长大，欠拟合就是孩子太自卑了，过拟合就是太自负。最终的目的就是长大成人，为社会做出自己的贡献，这意味着模型使用。就像人无完人一样，我们并不要求模型必须找到全局最优，这意味着一个原则——模型堪用就行。
数据不一样，意味着有的孩子家庭富有，有人出身贫寒。数据决定了模型的上限，所以一个人出生的高度在一定程度上决定了人生高度的范围。当然学习的好可能会有更好的表现。不同的学习率，意味着孩子不一样的性格，有的积极却冲动，有的谨慎却胆小。
当然，最终每个人的命运也是完全不一样的。伟大如BERT这样，那就万人追捧，时代的明星。像我4G的显存，抱着玩一玩心态训练出来的模型注定不得志。这就是我们的模型，这也是一部分的我们。
2.参数定义
BERT运行时需要指定一些参数，包括data_dir(数据)、bert_config_file(配置文件)、task_name(任务名)、vocab_file(词表)、init_checkpoint(预训练模型)等必传项和一些非必传项。使用tf.flags类来实现获取命令行参数功能，其中tf.app.run（）方法会找定义的 main方法，并且校验参数必传项！
#使用tf.flags来定义命令行参数，然后使用FLAGS来获取对应的参数
def main(_):
print('she is a very beautilful girl,she name is',FLAGS.name)
flags = tf.flags
FLAGS = flags.FLAGS
flags.DEFINE_string('name', None, 'who is the one you love')
flags.mark_flag_as_required('name')
tf.app.run()3.训练步数疑惑
我一直对epoch和step的区别搞的不是很清楚。接着这个机会解释一下。
batch_size:每个批次的样本数量
steps:训练的步数，每更新一次参数对应的是一步(相当于梯度下降了一步)
epochs:表示全部的数据要被过几遍。
当然，一般还会接一个warmup(预热的步数)，一般使用一个较小的学习率训练一定的轮次，目的是使得模型能够稳定下来。可以在一定程度上防止过拟合。
if FLAGS.do_train:
#获取训练的数据
train_examples = processor.get_train_examples(FLAGS.data_dir)
#训练步数 = 总样本数*轮次/批次大小
num_train_steps = int(
len(train_examples) / FLAGS.train_batch_size * FLAGS.num_train_epochs)
#根据warmup比例计算warmup的步数
num_warmup_steps = int(num_train_steps * FLAGS.warmup_proportion)4.embedding层
首先会得到输入的每个词对应的embedding，然后初始化位置信息embedding层，并且根据单词所属的句子计算Token_Type的embedding。将三者加和得到最终的嵌入层，对应论文中的三层嵌入。只不过位置embedding并非使用余弦正弦函数，而是通过网络的学习得到。
5.mask的实现
attention_mask中，正常的词是1，被mask的词是0。最终计算后得到的adder，正常的词为0，mask的词为-10000.再将该分值加到原来的注意力score上，被mask的单词就是一个很小的值。以这样的方式来进行mask。
if attention_mask is not None:
# `attention_mask` = [B, 1, F, T]
attention_mask = tf.expand_dims(attention_mask, axis=[1])
# Since attention_mask is 1.0 for positions we want to attend and 0.0 for
# masked positions, this operation will create a tensor which is 0.0 for
# positions we want to attend and -10000.0 for masked positions.
adder = (1.0 - tf.cast(attention_mask, tf.float32)) * -10000.0
# Since we are adding it to the raw scores before the softmax, this is
# effectively the same as removing these entirely.
attention_scores += adder6.变量上下文管理
tf.variable_scope可以作为一个变量上下文管理器，使用tf.get_variable()定义变量。即该变量是属于该上下文的，当变量比较多，变量名重复的时候。使用这种方法可以很好的将不同上下文下的变量区分开来，变量名相同，但是在不同的上下文，即属于不同的变量。
同时可以使用reuse，重复使用一个上下文。
with tf.variable_scope("lover"):
v=tf.get_variable("V",[1])
with tf.variable_scope("lover",reuse=True):
v1 = tf.get_variable("V", [1])
if v == v1:
print('两者是同一个变量')
else:
print('两者不是同一个变量')4.废话
爱是一切力量的本源，一直以来我以为灵魂是被肉体所囚禁的，它原本是那么潇洒、自由。直到有一天我忽然明白，心灵的世界再怎么自由，也只是孤零零的一个。它享受着时间、空间。可是它却没有办法去和别的世界交流，融合。只有通过这幅躯壳，这个世界里的爱才可以流出去，别的世界里的爱才可以流进来。我们的灵魂是像水一样的，它需要有温度，而爱就是灵魂的温度。没有了温度的水，就不再流动，也没有快乐。当然，它死不了，只会暂时的冻结。如果有一天温暖的阳光重新照射进来，它还是可以被融化的。爱的能力也是有大有小，形式多种多样。伟大的土地有它的爱，天空白云有它们的爱，日月星辰都有自己那源源不断的爱。我不知道它们的眼睛和心灵在哪里，毕竟我只是生活在其表面的一个渺小的人而已。但我相信，它们生活的世界一定会有更丰富的色彩，更美妙的音乐，那个大世界一定更热闹。也许当我这短暂的一生结束后，也可以参与到它们之中。所以我并不害怕此生结束后，面对的是一片黑暗。人们可以看到的光是很少的一部分，想象有一天我可以看到光全部的样子。当然，到时候肯定会有不一样的眼睛。至此，我热爱此生，任凭时光流逝，一无所惧！
【Trap音乐 X黑客帝国】