【深入浅出】深入浅出Bert（附面试题）

本文的目的是为了帮助大家面试Bert，会结合我的面试经历以及看法去讲解Bert，并非完整的技术细致讲解，介意请移步。

提到Bert网络模型，首先离不开的应该是Transformer网络？由此引出第一个问题

1. Bert和Transformer有什么不同？

   • 结构不同
     1. Bert网络网络结构是一个双向的Transformer网络，Bert的双向结构使得每个单词能够同时看到句子前后的单词，极大的增强了上下文理解的效果。
     2. Bert则仅使用了Transformer的编码器部分，专注于双向上下文的语言理解任务
   • 任务不同。与Transformer网络原用于翻译的任务不同，Bert一开始只做了两种任务。
     1. 完形填空（随机Masked一些单词，用于推理缺失的单词）
     2. 句子推理（判断前后两个句子是否有关联关系）

2. Bert和同时期的GPT2（后面会讲）有什么不同？

   • 结构不同。Gpt2采用采用单向Transformer解码器架构。

   • 场景不同。

     双向上下文理解能力让BERT在自然语言理解（NLU）任务中表现出色，适用于需要上下文理解和信息提取的任务，例如问答、文本分类、命名实体识别等。

     自回归文本生成架构的单向性使GPT-2擅长自然语言生成。

网络结构

观察这个网络结构，可以发现Bert模型的训练是通过预训练和微调两部分组成的。这两部分分别是什么？

Pre-Training

3. Pre-Training阶段的作用？

   预训练阶段是一个无监督任务。在Bert模型中的预训练阶段中，有15%的词语被换成了[MASK]。

   在这15%中，还有80%的内容被替换成[MASK]，有10%是随机换一个词，10%是不换的（原文真这么写的，有点烧脑是吧，别急，等我慢慢讲）

替换成[MASK]比较好理解，就是为了通过前后文关联来对[MASK]的内容进行预测进而更好的帮助模型理解语义信息。

**随机换成其他的token其实是为了增加模型的鲁棒性。**你想想，大家使用GPT的时候每次提问的内容都是完全正确的吗？会不会经常出现一些错别字什么的？

Fine-Tuning

4. Fine-Tuning是做什么的？

   Bert预训练好后，他没有具体的任务。而现实生活中我们需要它去做具体的任务，比如文本分类、问答系统、情感分析等，因此需要微调bert使得模型在任务上表现得更好。

   微调会保留BERT的预训练权重，但在任务数据上继续训练，并加上适应该任务的头部层（output head），这样Bert可以适用于特定的任务。

5. Fine-Tuning具体是怎么做的？

   • 分类任务：将Bert的[CLS]标记输出嵌入向量接一个全连接层，用于句子分类
   • 句子关系判断任务：类似分类任务，用[CLS]嵌入接全连接层输出句对关系
   • 序列标注任务：如命名实体识别（NER），Bert会针对每个token的输出都连接一个分类层，预测每个token的标签。

不知道大家看着一段内容的时候有没有注意到有的任务是[CLS]而有的任务用的是每个token的输出？

6. CLS标签在预测过程中是做什么的？或者说使用Bert做句子分类任务和实体识别任务有什么不同？高频问题

   Bert在预训练时，[CLS]标记被设计为整个句子或句对的表示，它可以在微调过程中学习到句子的整体信息。因此CLS代表的是整个句子的全局向量，将这个向量用于分类即可。

   在Bert中，每个token的输出代表其对应的上下文信息，能够更精细地反映局部语义，从而更适合逐个token的预测。使用每个token的输出，模型可以为每个词单独生成标签或确定其在句中的位置。

输入编码

词向量编码

用于判断有没有被【mask】

吃饭了【mask】？–》吃饭 了 【mask】–》[cls] 1 1 0 [seq]相当于三个token

句子编码

区分句子a 和 b**，用在两个句子中间

这里不分词了啊，麻烦。

今天天气怎么样？很晴朗。

[cls] 0 0 0 0 0 0 0 0 [seq] 1 1 1 [seq]

位置编码

在最初训练的时候，Bert随机赋值位置编码。Bert使用可训练的位置嵌入，即位置编码和token的embedding一样，作为模型参数的一部分，在训练过程中被更新。用于表示每个token在序列中的位置，定义每个位置的向量，这些位置向量是可学习的。

面试题

好啦，终于到这里了，看看你学废了吗？

1. Bert分为什么任务？作用是什么？

2. 在参与损失函数的计算时，参与计算的Token有哪些？是全部的15%吗？

   只有被真正mask的才会参与计算。15%的80%

3. 在实现损失函数的时候，怎么确保那些填充（padding）的token不参与损失计算?

   计算损失时，将每个token中的损失值与mask位相乘，确保填充位损失变成0。

4. Bert的优缺点有什么？

5. Bert的三个Embedding为什么直接相加？

   BERT的三个Embedding（Token Embedding、Position Embedding和Segment Embedding）直接相加是因为它们分别表示输入信息的不同方面，合并后形成了每个token的整体嵌入表示。