近日，谷歌AI團(tuán)隊(duì)新發(fā)布的BERT模型，在NLP業(yè)內(nèi)引起巨大反響，認(rèn)為是NLP領(lǐng)域里程碑式的進(jìn)步。BERT的創(chuàng)新點(diǎn)在哪里？潘晟鋒對(duì)這篇論文進(jìn)行了深度解讀。

最近谷歌研究人員通過新的BERT模型在11項(xiàng)NLP任務(wù)中奪得STOA結(jié)果，這在自然語言處理學(xué)界以及工業(yè)界都引起了不小的熱議。

作者通過在33億文本的語料上訓(xùn)練語言模型，再分別在不同的下游任務(wù)上微調(diào)，這樣的模型在不同的任務(wù)均得到了目前為止最好的結(jié)果，并且有一些結(jié)果相比此前的最佳成績(jī)得到了幅度不小的提升。

作者的這一研究其實(shí)是今年深度學(xué)習(xí)在自然語言處理中一個(gè)新熱點(diǎn)方向的延續(xù)，故事還得從更早一點(diǎn)說起。

BERT的“前任”們

早在2015年的時(shí)候，微軟研究院的何凱明和他的同事們發(fā)表了殘差網(wǎng)絡(luò)的論文，第一次通過殘差的方式將卷積神經(jīng)網(wǎng)絡(luò)推進(jìn)到了100層以上，并在圖像識(shí)別的任務(wù)上刷新了當(dāng)時(shí)的最高紀(jì)錄。自那以后起，隨著網(wǎng)絡(luò)不斷地加深，效果也在不斷提升。然而大量的數(shù)據(jù)訓(xùn)練出來的大型網(wǎng)絡(luò)雖然效果更好，但隨著網(wǎng)絡(luò)的加深以及數(shù)據(jù)集的不斷擴(kuò)大，完全重新訓(xùn)練一個(gè)模型所需要的成本也在不斷地增加。

因此在計(jì)算機(jī)視覺處理中，人們?cè)絹碓蕉嗟夭捎?strong>預(yù)訓(xùn)練好的大型網(wǎng)絡(luò)來提取特征，然后再進(jìn)行后續(xù)任務(wù)。目前這種處理方式已經(jīng)是圖像處理中很常見的做法了。

相比之下，自然語言處理目前通常會(huì)使用預(yù)訓(xùn)練的詞向量來進(jìn)行后續(xù)任務(wù)。但詞向量是通過淺層網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，雖然在詞的級(jí)別上有著不錯(cuò)的特性，但卻缺少對(duì)連續(xù)文本的內(nèi)在聯(lián)系和語言結(jié)構(gòu)的表達(dá)能力。因此大家也希望能像圖像領(lǐng)域那樣，通過大量數(shù)據(jù)來預(yù)訓(xùn)練一個(gè)大型的神經(jīng)網(wǎng)絡(luò)，然后用它來對(duì)文本提取特征去做后續(xù)的任務(wù)，以期望能得到更好的效果。其實(shí)這一方向的研究一直在持續(xù)，直到今年的早些時(shí)候AllenAI提出的[ELMo](https://arxiv.org/pdf/1802.05365.pdf)由于其在后續(xù)任務(wù)上的優(yōu)異表現(xiàn)獲得了不小的關(guān)注。

在ELMo獲得成功以后不久FastAI就推出了[ULMFiT](https://arxiv.org/abs/1801.06146)，其大體思路是在微調(diào)時(shí)對(duì)每一層設(shè)置不同的學(xué)習(xí)率。此后OpenAI又提出了[GPT](https://blog.openai.com/language-unsupervised/)。

從上面提及的這些論文的結(jié)果以及學(xué)界和工業(yè)界的反饋來看，這種使用大量的語料進(jìn)行預(yù)訓(xùn)練，然后再在預(yù)訓(xùn)練好的模型上進(jìn)行后續(xù)任務(wù)訓(xùn)練，雖然訓(xùn)練方式各有不同，但在后續(xù)任務(wù)都有不同程度的提高。

而谷歌提出的BERT就是在OpenAI的GPT的基礎(chǔ)上對(duì)預(yù)訓(xùn)練的目標(biāo)進(jìn)行了修改，并用更大的模型以及更多的數(shù)據(jù)去進(jìn)行預(yù)訓(xùn)練，從而得到了目前為止最好的效果。

Transformer的編碼器結(jié)構(gòu)

BERT的主體結(jié)構(gòu)和創(chuàng)新點(diǎn)

BERT模型沿襲了GPT模型的結(jié)構(gòu)，采用[Transfomer](https://arxiv.org/abs/1706.03762)的編碼器作為主體模型結(jié)構(gòu)。Transformer舍棄了RNN的循環(huán)式網(wǎng)絡(luò)結(jié)構(gòu)，完全基于注意力機(jī)制來對(duì)一段文本進(jìn)行建模。

Transformer所使用的注意力機(jī)制的核心思想是去計(jì)算一句話中的每個(gè)詞對(duì)于這句話中所有詞的相互關(guān)系，然后認(rèn)為這些詞與詞之間的相互關(guān)系在一定程度上反應(yīng)了這句話中不同詞之間的關(guān)聯(lián)性以及重要程度。因此再利用這些相互關(guān)系來調(diào)整每個(gè)詞的重要性（權(quán)重）就可以獲得每個(gè)詞新的表達(dá)。這個(gè)新的表征不但蘊(yùn)含了該詞本身，還蘊(yùn)含了其他詞與這個(gè)詞的關(guān)系，因此和單純的詞向量相比是一個(gè)更加全局的表達(dá)。

Transformer通過對(duì)輸入的文本不斷進(jìn)行這樣的注意力機(jī)制層和普通的非線性層交疊來得到最終的文本表達(dá)。

Transformer的注意力層得到的詞-詞之間關(guān)系

GPT則利用了Transformer的結(jié)構(gòu)來進(jìn)行單向語言模型的訓(xùn)練。所謂的語言模型其實(shí)是自然語言處理中的一種基礎(chǔ)任務(wù)，其目標(biāo)是給定一個(gè)序列文本，預(yù)測(cè)下一個(gè)位置上會(huì)出現(xiàn)的詞。

模型學(xué)習(xí)這樣的任務(wù)過程和我們?nèi)藢W(xué)習(xí)一門語言的過程有些類似。我們學(xué)習(xí)語言的時(shí)候會(huì)不斷地練習(xí)怎么選用合適的詞來造句，對(duì)于模型來說也這樣。例如：

> 今天 天氣 不錯(cuò)， 我們 去 公園 玩 吧。

這句話，單向語言模型在學(xué)習(xí)的時(shí)候是從左向右進(jìn)行學(xué)習(xí)的，先給模型看到“今天 天氣”兩個(gè)詞，然后告訴模型下一個(gè)要填的詞是“不錯(cuò)”。然而單向語言模型有一個(gè)欠缺，就是模型學(xué)習(xí)的時(shí)候總是按照句子的一個(gè)方向去學(xué)的，因此模型學(xué)習(xí)每個(gè)詞的時(shí)候只看到了上文，并沒有看到下文。更加合理的方式應(yīng)該是讓模型同時(shí)通過上下文去學(xué)習(xí)，這個(gè)過程有點(diǎn)類似于完形填空題。例如：

>今天 天氣 { }， 我們 去 公園 玩 吧。

通過這樣的學(xué)習(xí)，模型能夠更好地把握“不錯(cuò)”這個(gè)詞所出現(xiàn)的上下文語境。

而BERT對(duì)GPT的第一個(gè)改進(jìn)就是引入了雙向的語言模型任務(wù)。

此前其實(shí)也有一些研究在語言模型這個(gè)任務(wù)上使用了雙向的方法，例如在ELMo中是通過雙向的兩層RNN結(jié)構(gòu)對(duì)兩個(gè)方向進(jìn)行建模，但兩個(gè)方向的loss計(jì)算相互獨(dú)立。

而BERT的作者指出這種兩個(gè)方向相互獨(dú)立或只有單層的雙向編碼可能沒有發(fā)揮最好的效果，我們可能不僅需要雙向編碼，還應(yīng)該要加深網(wǎng)絡(luò)的層數(shù)。但加深雙向編碼網(wǎng)絡(luò)卻會(huì)引入一個(gè)問題，導(dǎo)致模型最終可以間接地“窺探”到需要預(yù)測(cè)的詞。這個(gè)“窺探”的過程可以用下面的圖來表示：

從圖中可以看到經(jīng)過兩層的雙向操作，每個(gè)位置上的輸出就已經(jīng)帶有了原本這個(gè)位置上的詞的信息了。這樣的“窺探”會(huì)導(dǎo)致模型預(yù)測(cè)詞的任務(wù)變得失去意義，因?yàn)槟Ｐ鸵呀?jīng)看到每個(gè)位置上是什么詞了。

為了解決這個(gè)問題，我們可以從預(yù)訓(xùn)練的目標(biāo)入手。我們想要的其實(shí)是讓模型學(xué)會(huì)某個(gè)詞適合出現(xiàn)在怎樣的上下文語境當(dāng)中；反過來說，如果給定了某個(gè)上下文語境，我們希望模型能夠知道這個(gè)地方適合填入怎樣的詞。從這一點(diǎn)出發(fā)，其實(shí)我們可以直接去掉這個(gè)詞，只讓模型看上下文，然后來預(yù)測(cè)這個(gè)詞。但這樣做會(huì)丟掉這個(gè)詞在文本中的位置信息，那么還有一種方式是在這個(gè)詞的位置上隨機(jī)地輸入某一個(gè)詞，但如果每次都隨機(jī)輸入可能會(huì)讓模型難以收斂。

BERT的作者提出了采用MaskLM的方式來訓(xùn)練語言模型。

通俗地說就是在輸入一句話的時(shí)候，隨機(jī)地選一些要預(yù)測(cè)的詞，然后用一個(gè)特殊的符號(hào)來代替它們。盡管模型最終還是會(huì)看到所有位置上的輸入信息，但由于需要預(yù)測(cè)的詞已經(jīng)被特殊符號(hào)代替，所以模型無法事先知道這些位置上是什么詞，這樣就可以讓模型根據(jù)所給的標(biāo)簽去學(xué)習(xí)這些地方該填的詞了。

然而這里還有一個(gè)問題，就是我們?cè)陬A(yù)訓(xùn)練過程中所使用的這個(gè)特殊符號(hào)，在后續(xù)的任務(wù)中是不會(huì)出現(xiàn)的。

因此，為了和后續(xù)任務(wù)保持一致，作者按一定的比例在需要預(yù)測(cè)的詞位置上輸入原詞或者輸入某個(gè)隨機(jī)的詞。當(dāng)然，由于一次輸入的文本序列中只有部分的詞被用來進(jìn)行訓(xùn)練，因此BERT在效率上會(huì)低于普通的語言模型，作者也指出BERT的收斂需要更多的訓(xùn)練步數(shù)。

BERT另外一個(gè)創(chuàng)新是在雙向語言模型的基礎(chǔ)上額外增加了一個(gè)句子級(jí)別的連續(xù)性預(yù)測(cè)任務(wù)。這個(gè)任務(wù)的目標(biāo)也很簡(jiǎn)單，就是預(yù)測(cè)輸入BERT的兩端文本是否為連續(xù)的文本，作者指出引入這個(gè)任務(wù)可以更好地讓模型學(xué)到連續(xù)的文本片段之間的關(guān)系。在訓(xùn)練的時(shí)候，輸入模型的第二個(gè)片段會(huì)以50%的概率從全部文本中隨機(jī)選取，剩下50%的概率選取第一個(gè)片段的后續(xù)的文本。

除了模型結(jié)構(gòu)，模型大小和數(shù)據(jù)量都很重要

以上的描述涵蓋了BERT在模型結(jié)構(gòu)和訓(xùn)練目標(biāo)上的主要?jiǎng)?chuàng)新點(diǎn)，而BERT的成功還有一個(gè)很大的原因來自于模型的體量以及訓(xùn)練的數(shù)據(jù)量。

BERT訓(xùn)練數(shù)據(jù)采用了英文的開源語料BooksCropus 以及英文維基百科數(shù)據(jù)，一共有33億個(gè)詞。同時(shí)BERT模型的標(biāo)準(zhǔn)版本有1億的參數(shù)量，與GPT持平，而BERT的大號(hào)版本有3億多參數(shù)量，這應(yīng)該是目前自然語言處理中最大的預(yù)訓(xùn)練模型了。

當(dāng)然，這么大的模型和這么多的數(shù)據(jù)，訓(xùn)練的代價(jià)也是不菲的。谷歌用了16個(gè)自己的TPU集群（一共64塊TPU）來訓(xùn)練大號(hào)版本的BERT，一共花了4天的時(shí)間。對(duì)于是否可以復(fù)現(xiàn)預(yù)訓(xùn)練，作者在[Reddit]( https://www.reddit.com/r/MachineLearning/comments/9nfqxz/r_bert_pretraining_of_deep_bidirectional/?utm_campaign=NLP%20News&utm_medium=email&utm_source=Revue%20newsletter)上有一個(gè)大致的回復(fù)，指出OpenAI當(dāng)時(shí)訓(xùn)練GPT用了將近1個(gè)月的時(shí)間，而如果用同等的硬件條件來訓(xùn)練BERT估計(jì)需要1年的時(shí)間。不過他們會(huì)將已經(jīng)訓(xùn)練好的模型和代碼開源，方便大家訓(xùn)練好的模型上進(jìn)行后續(xù)任務(wù)。

雖然訓(xùn)練的代價(jià)很大，但是這個(gè)研究還是帶來了一些思考和啟發(fā)。例如雙向語言模型的運(yùn)用，多任務(wù)對(duì)預(yù)訓(xùn)練的幫助以及模型深度帶來的收益。相信在未來的一段時(shí)間，自然語言處理中預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)語言模型會(huì)得到更多的關(guān)注和運(yùn)用。