今天的博客主要参考了论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》。这篇paper是Google公司下几个研究员发表的，而且在NLP领域引起了很大的轰动（在多个NLP任务集上都打破了之前最好的记录）。
其实，这个Bert利用了迁移学习的思想，把针对语言模型任务设计出的网络参数进行预训练，然后迁移到了下层的任务中进行进一步的fine-tuning。只不过在进行训练语言模型的时候，利用的是自己提出的子结构Transformer layer+ feed forward layer（详情参看论文《Attention is all you need》）。最终模型参数是12个Transformer layer+ feed forward 层，head个数是12，hidden state维度是768。
在进行词语Embedding表征的时候，每个词语都提取了三个维度的信息，如下图所示：
其中Token Embedding就是原始概念中对应的词向量，其中的
标识了每一个句子的开始信息，
标识了两个句子的分割信息；Segment Embedding是为进行sentence pair任务的训练，其中
和
会随着模型进行训练，如果是针对只有一个句子的下游任务，那么只会有
；Position Embedding是用来标识词向量位置信息.三者相加构成了模型的输入部分。
接下来，通过Masked LM和Next Sentence Prediction对模型进行预训练。
所谓Masked LM就是按照一定的概率（15%）随机的把一个句子中的某些词语用mask进行替换，然后任务是预测这些被mask掉的词语，相当于完形填空的任务。比方说：my dog is hairy → my dog is [MASK]。这些 [MASK]也会对应一个Embedding，并随着模型一起训练。其实在实做的时候，大约有80%的情况会使用 [MASK]替换，剩下的10%词语会被随机选出的其他词语进行替换，10%词语保持词语不动。
所谓Next Sentence Prediction就是为了应对下游任务利用Sentence pair之间相互关联的任务而设定的，比方说问答任务，推理任务等。这个sentence pair中有50%的是真正的在原始语料中是连续存在的两个句子，有50%是随机挑选的没有关联关系的两个句子。有关联关系的句子被标注为1类，没有关联关系的句子被标注为0。
需要注意的是，如果是利用sentece level的表征，那么就使用模型最后一层针对
表征来作为整个句子的代表。在训练好了这些语言模型之中用到的参数之后，就会很方便的迁移到下游的任务中去，如下图所示：
需要注意的是，如果下游任务只是针对一个句子的任务，比方说单独句子的分类，那么就不需要构造Next Sentence Prediction，只需要使用Masked LM即可；如果下游任务需要利用到两个句子之间的相关关系，比方说阅读理解，自动问答等，就需要同时使用Masked LM和Next Sentence Prediction。
作者通过一系列在各个任务和数据集上的实验，充分地说明了Bert模型的有效性；有时候即使下游任务不fine tune上游的任务网络参数，直接把上游的输出作为feature输入到下层任务的网络中去，最终的结果依然会比之前所有模型要好。