笔记 BERT and its family - Introduction and Fine-tune
视频1 https://www.youtube.com/watch?v=1_gRK9EIQpc&ab_channel=Hung-yiLee
视频2 https://www.youtube.com/watch?v=gh0hewYkjgo&ab_channel=Hung-yiLee
Bert论文链接 https://arxiv.org/pdf/1810.04805.pdf
1. Bigger Model与Small Model
BERT、GPT啥的都太大的，所以看一些穷人使用的Small model
其中最有名的是ALBERT，它的神奇之处是和原BERT结构几乎一样，但是Bert是12层，24层参数不一样，ALBERT每层参数是一样的，而且其performance甚至更好一点
2. 一些Network在Architecture上的创新
这些model的设计目的都是为了让transformer能获得非常长的信息，不只是有一整篇文章，甚至是一整本书的长度，例如Transformer-XL
self-attention的复杂度是O(n^2)，n是sequence的长度，所有一些transformer提出来降低复杂度，例如Reformer、Longformer
3. How to fine-tune: 怎样进行微调
总的来说就是添加一个Task-specific Layer
针对具体的NLP任务，要如何fine-tune呢？
先看下NLP任务的分类，包括2种输入和4种输出
fine-tune时如何处理输入部分？
如果是一个sentence，直接扔到pretrain model中就结束了；
如果是多个sentence，例如是2个句子，一个是Query一个是Document
在中间加一个分隔符SEP，pretrain-model能看懂SEP，因为在训练pretrain-model的时候看过SEP（后面讲预训练模型的时候会讲）
fine-tune时如何处理输出部分？
输出有4个可能，第一个是one class: 就是读入一整个句子后输出一个class
原BERT paper中是在输入中加入CLS这个token，其产生的embedding对应class
另一种方法是：不加CLS，将所有output embedding加个Task Specific层，再输出一个class
第二种是：class for each token，就是每个token对应一个token
只需要将每个token对应一个embedding，一个embedding对应一个class
例如Task Specific可以是一个LSTM
第三种是：copy from input，例如给定一个Query，在Document中查询，返回Document中的一段话
例如，返回一段话，其在文章的起始位是s，终止位是e
绿色向量与输出的embedding相乘，权重最大的位置得到起始位置；蓝色向量同理，得到终止位置
第四种是：General Sequence，就是输出也是一个Seq
有两种产生Seq的方法：
第一个是参考常见的Encoder-Decoder，但是这样有一个缺点，Decoder是没有pre train的，不太好
第二个是：将产生的词汇掉回Model中
4. How to fine-tune: 微调有哪些方式
一是固定pretrain model，当特征提取器
二是整体再进行训练
如果现在我们是fine tune怎么model会有什么问题？
不同的任务需要存一个model，例如下面3个黄色的model，变成3个不同颜色的model
所以，我们可以提取公共部分吗，我们在pretrain model中加入一些layer，这些layer叫做Adaptor
fine tune的时候整体训练，也只要调Adap, modle没变
这样在存模型的时候，也可以只存Apt，不必存一个完整的pretrain Model
一个Adaptor的例子：
训练的时候只会调整Adap
Adap的效果怎么样呢？
水平线0是fine tune整个模型的基准，可见Adap几乎接近训练整个模型
5. 多层layer得到的feature加权：weighted feature
通常是只用最后的输出作embedding，也可以抽取每层的feature，加权得到结合每一层输出的embedding
这里w1, w2可以是人工设置，也可以是学习出来的
6. 为什么需要Pre-train model?：Why Pre-train Models
有了预训练模型后，GLUE benchmark超过了人类
7. 为什么需要微调：Why Fine-tune
虚线是全部自己训练（即参数都是随机开始），实线是采用Pre train, 两个模型的大小是一样的
可以发现实线的loss降得非常快
loss很低并不一定好，可能是overfit（过拟合）呢？我们来看一下Pre train的泛化能力
如何分析模型的泛化能力呢？start-point是参数的起始点，end-point是参数训练后的位置。
start-point与end-point的海拔差是能训练的loss，两者的坡度表示泛化能力，如果两点之间越陡峭表示泛化能力越弱，如果越平缓表示表示泛化能力越强
8. Pre train model是怎么训练出来的
BERT采用的Self-supervised的训练方法，就是在没有label的情况下做supervised
self-supervised没有用到label，我们可称之为unsupervised；unsupervised的范围更大，像CycleGAN也没有用到标签信息，但它只能算作unsupervised而不是self-supervised
要注意的是，下游任务训练的时候是有标签的数据，所以总体而言的大量数据的self-supervised和小量下游数据的supervised
这里self-supervised将x复制了两份, x', x''，后面会具体讲
9. BERT实际上是怎么Self-supervised的？
BERT用了两种训练方法：Masked token prediction和Next sentence prediction
一种是Mask input, mask的时候也分两种，先随机找一个位置，要么把它直接mask，要么把它替换成其他单词，
怎么计算loss呢？把mask位输出的vector与目标单词的vector计算cross entropy（因为是我们自己mask的，我们当然知道被mask的是什么单词）
另一种是Next sentence Prediction，就是给定两个句子，问你其中一个句子是不是另一个句子的下一句，如果是返回True
跟前面讲的fine-tune方法中的一个一样，在输入添加CLS，只关注CLS对应输出的vector，再接一个线性层得到True/False
但是研究发现这个训练策略不太有用（因为判断是不是下个句子可能对BERT来说太简单了），RoBERTa就指出了这个缺陷，例如在ALBERT中换用了SOP
神奇之处是虽然BERT是在这两个任务上训练的，但是它可以在一些列下游任务上直接使用，可能是和这两个任务完全没有关系的任务
