记录一下刷B站教学视频的一些笔记，目前主刷：
文章目录
- 1 Transformer从零详细解读(可能是你见过最通俗易懂的讲解)
* - 1.1 整体结构
- 1.2 encoder部分
– - 1.2.4 前馈神经网络
- 1.3 Decoder
– - 2 BERT从零详细解读，看不懂来打我
* - 2.1 BERT整体架构
- 2.2 MLM + NSP如何做预训练
– - 2.3 微调BERT，提升BERT在下游任务的效果
- 2.4 脱敏数据使用BERT预训练模型
1 Transformer从零详细解读(可能是你见过最通俗易懂的讲解)
地址：
Transformer从零详细解读(可能是你见过最通俗易懂的讲解)
关联知乎文章：
万字长文帮你彻底搞定Transformer-不要错过！！
答案解析(2)-3分钟彻底掌握Transformer的Encoder—满满干货！！
答案解析(1)—史上最全Transformer面试题：灵魂20问帮你彻底搞定Transformer
1.1 整体结构
transformer整体结构简图： 6 encoder * 6decoder
6个encoder结构完全相同，但是训练的时候是6个同时训练，独立训练，这里跟alBERT有差别，albert是共享transformer某些层的参数，达到减少参数量的目的。
以下是论文的transformer图，左边是一个encoder的图样，一共会 有Nx个（乘以N个），
右边是一个decoder，一共会有Nx个：
从图中，可以看到，decoder比encoder要多一个模块，就是masked muti-head attention的模块
; 1.2 encoder部分
单独拿一个出来，来看，一共分为三个部分：
- 输入部分
- 注意力机制
- 前馈神经网络
1.2.1 输入部分
input = embedding + postion bedding
为啥需要位置信息？不适用RNN？
RNN可以获得一套参数，transformer是并行的，丢失了位置信息，就通过编码，加到embedding，让embedding拥有位置信息
RNN里面，所有的step都 共享 一套参数，包括，U,W,V
那RNN的梯度消失是什么？
RNN的梯度是一个梯度消失和，并不是梯度变为0，
RNN是一套参数的梯度，那么这套参数会更加适应 S t + 1 St+1 S t +1 而对S t − 1 St-1 S t −1不友好，忘记重视前面的隐藏层
位置编码的公式：
为什么相对位置编码是有用的，可以代表位置？
那么总结，
最后输入项 = 位置编码 + embedding，对位相加：
; 1.2.2 多头注意力机制
1.2.2.1 注意力机制原理
注意力机制计算的时候，一定有Q,K,V三个矩阵：
根据公式来看例子：
Q,K都分别代表两个向量，点乘代表两个向量的相似程度，
这里婴儿Q，点乘四个K值，就代表婴儿与四个区域，哪个更相似，所以
softmax(Q,K) 代表相似度
这个图演示了一个attention计算出来的经过
; 1.2.2.2 QKV的获取方式
一个input，会跟QKV同时相乘，那么：
- Q = X*Wq
- K = X*Wk
- V = X*Wv
此时 Wq、 Wk、 Wv为Q,K,V的参数
得到了q1/q2，就可以跟上述注意力机制计算一样： softmax(q,k) * v
可以来看一下具体相乘的过程：
矩阵并行QKV，比较快
多头 => 多套参数
Wq、 Wk、 Wv
如果是8个头，那就是接在一起共同输出，Z0就是注意力层的第一个头，一直有8个
1.2.3 残差
laynorm计算过程：
上面经过多头注意力层，就有Z1,Z2多头注意力层进行输出
这里的laynorm，是把多头注意力层输出的Z + 原始的X，
add之后进行normalize
解释一下残差
X经过两个weight layer，最后会得到：f(x)+ x
抽象成以下的公式：
残差这里的1，就可以保证梯度不消失，因为消失较多的情况是，连乘会导致梯度消失，所以残差网络可以让网络变得很长，因为可以保证梯度不会消失；
反观RNN，顶多是bi-lstm，一旦过长容易梯度消失，所以RNN网络做深非常难
; 1.2.3 layer norm 与BN的差异
另外一个知识点：layer norm（LN） 与 BN的差异
BN效果差，NLP中基本不用，因为RNN不用，一般用LN；
CNN可能会用BN
BN – 进行feature scaling标准化，
BN进行标准化是一个特征所有进行标准化，如下图的所有人的体重这一行做标准化
指的是所有词，样本，一行代表一种特征，第一行体重，第二行身高
BN指的是，选的一个Batch中所有的人，体重这一行做标准化，
BN最大的问题 : 但是有一个问题就是，如果Batch非常小，那么这时候方差/标准差只是局部的，并不能总体，所以波动非常大
意思就是，本来有1w个样本，如果做标准化，就是体重这一列，1w个人标准化，但是现在的情况是，一个batch可能只有100个人，
那么1w和100个人的标准差，均值都不一样了，所以BN代表用100个人的模式，表达这1w个人
所以，LN的意思就是，标准化，不是按行，而是按每个样本，按照一个人，体重，身高，等等特征
在RNN中，比较难，因为有些词padding，后面的都是0，方差不好算
1.2.4 前馈神经网络
就是红框的部分，Z1、Z2分别通过一个feed forward，代表两层的全连接
再过一个残差和Normalize
; 1.3 Decoder
主要有两个大模块不同
- 改成masked
- 多了一个交互层
1.3.1 masked
这里有个细节点就是masked，
为什么需要mask，如果要预测YOU这个单词，如果不mask，就会出现信息泄露
decoder是预测型的，需要mask后面的单词
; 1.3.2 新增的多头注意力机制层
这里encoder的输出（KV矩阵，如下图），会同时给到所有的decoder（生成Q矩阵）
所以这里新增多头注意力机制，KV来自encoder的输出层，而且给到每一个decoder
下面有一个encoder（K、V） -> decoder(Q，下图的encoder-decoder attention)的详细图解：
2 BERT从零详细解读，看不懂来打我
2.1 BERT整体架构
BERT是tansformer中剥离多个encoder，然后堆叠在一起
而不是12层transformer(6*encoder + 6 * decoder)
展开其中一个encoder如下，input跟transformer不太一样，
- transformer input = positional encoding + embedding
- bert input = token emb + segment emb + position emb
解析一下input：
- segment emb 是一句话为0，一句话全为1
- postion emb是初始化后，让模型自己训练出位置信息
提问：那么[cls]是否可以作为句向量来表征这个句子？
[cls]表征的向量不是句向量，输出是为了二分类，如果拿[cls]表征的向量来做相似性聚类，效果非常差，不如Word embedding
; 2.2 MLM + NSP如何做预训练
2.2.1 MLM
AR自回归模型 与 AE自编码模型 的差异
AR模型就是用到单侧信息，是从左到右顺序的
AE模型打乱文本，让文本进行重建，不仅是单侧信息，周边信息都会使用到
mask的缺点是什么
mask字之间不是独立的，可能是有关联的，
而mask模型中是认为独立的
那么BERT里面mask的具体操作是
; 2.2.2 NSP
- 主题预测 – 两个段落是否来自同一个主题，因为在抽样的时候，就是不同的文章，当然大概率就不是一个主题了
- 连贯性预测 – 两个段落是否有顺序
但是从这两个任务来看，主题任务是非常简单的，导致效果不是特别好
所以后面的albert不要主题预测，只使用连贯性预测（预测句子顺序，正负样本来自同一个文章，正样本就是两个有序的句子，负样本就是把有序句子进行颠倒）
2.3 微调BERT，提升BERT在下游任务的效果
文本分类就是[cls]输出句子
序列标注就是对每一个输出token接入一个softmax
句子对分类，就是两个句子接起来，然后[cls]分类输出
一般工业界的做法是：
- 直接获取谷歌中文BERT
- 自己训练
关于预训练模型，有几种等级的预训练阶段：
比如沿着2展开，大量微博文本继续训练BERT时候，讲师推荐两种技巧：
- 动态mask，之前训练，比如”我爱吃饭”，一般都是固定mask某一个，比如，”爱”；现在动态，每一次mask不一样的好一些
- n-gram mask，是使用n-gram，使用实体词的mask
其他的一些训练技巧
; 2.4 脱敏数据使用BERT预训练模型
作者的建议是，如果语料非常大，那么：
- 第一种，直接从新训练
- 第二种，先把脱敏内容随机映射到文本中，比如脱敏是”abbbdda”，那么可以直接随机映射为”我你你你她她我”，将中文已经训练的作为初始化
Original: https://blog.csdn.net/sinat_26917383/article/details/123617441
Author: 悟乙己
Title: Transformer、BERT等模型学习笔记
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/530159/
转载文章受原作者版权保护。转载请注明原作者出处！