BERT模型内部结构解析

BERT强大的特征抽取能力在各方面的应用如火如荼的展开，今日准备要对BERT输出的特征进行组合，以期能具有更好地变现，现在对model对象做详细的分析。

直观上，我们能够利用bert的信息有：1）pool out [CLS]；2）encoder layer；3）hidden state first output

我们加载bert的过程如下：

model = modeling.BertModel(config=bert_config,
                           is_training=self.__is_training,
                           input_ids=self.input_ids,
                           input_mask=self.input_masks,
                           token_type_ids=self.segment_ids,
                           use_one_hot_embeddings=False)

无论你是通过什么方法得到的，这个model对象就是我们要解析的，通过debug我们得知，它有如下成员：

 讲一下个人的理解，请批评指正：

all_encoder_layers: 经过transformer_model函数返回每个block的结果，即对应bert的12个Transformer层，均是原始高维数据。如果要分析不同层抽取何种特征，可以分析这个得出一些结论

embedding_table: vocab表，用于构建字符embedding向量

embedding_output: embedding结果

sequence_output: 是bert最后一层的输出，需要验证一下all_encoder_layers最后一层的输出有何区别

　　　维度为[Batch_szie, seq_length, hidden_size]，这和一开始词向量的维度是一样的，只不过这个结果是经过Transformer Encoded提取特征之后的，包含重要的信息，也是bert想得到的结果

pooled_output: 一般分类任务需要的特征，pooled_output是取sequence_output的第一个切片然后线性投影获得，这个位置就是[CLS]

其实，明白这些之后就可以做一些特征组合进行操作了