Transformer、BERT
Transformer
自 Attention 机制提出后，加入 Attention 的 seq2seq 模型在各个任务上都有了提升，所以现在的 seq2seq 模型指的都是结合 RNN 和 Attention 的模型。
Transformer 模型使用了 self-Attention 机制，不采用 RNN 的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。
下图是 Transformer 的结构。左边是 encoder，右边是 decoder。encoder 和 decoder 都先采用 self-Attention 计算上下文向量，再加上 decoder 中 attention 的使用。
（1）encoder
每个层由两个部分组成，分别是 multi-head self-attention mechanism 和 fully connected feed-forward network。“N×” 就是有几层，这里都是 6 层。
① multi-head self-attention mechanism
首先 Scaled Dot-Product Attention 公式如下，在 QKT 之后，为了防止其结果过大，会除以根号 dk，dk 由 Q 和 K 的 维度决定。
而 multi-head self-attention mechanism 就是把输入分割成 n 个（论文中为8），然后对每份进行 Scaled Dot-Product Attention，再把输出合起来。每个 head 可以学习到在不同表示空间中的特征。
② fully connected feed-forward network
全连接层，主要用来提供非线性变换。
是一个两层的全连接层，第一层的激活函数为 Relu，第二层不使用激活函数
（2）decoder
输入：encoder 的输出以及对应前一位置 decoder 的输出。所以中间的 attention 不是 self-attention，它的K、V来自 encoder 的输出，Q来自上一位置 decoder 的输出。
输出：对应位置的输出词的概率分布。
第二层和第三层与 encoder 中的相似。第一层的 attention 多加了一个 mask，因为只能 attention 只能知道到前面已经翻译过的输出的词语，翻译过程中还并不知道下一个输出词语，这是之后才会推测到的。mask 操作产生一个上三角矩阵，上三角的值全为0，Softmax 之前需要使用 Mask 矩阵（与 QKT 相乘）遮挡住每一个单词之后的信息。
Transformer 中，每层都有Add & Norm。Add 表示残差连接，用于防止网络退化；Norm 表示 Layer Normalization，进行归一化，将每一层神经元的输入都转成均值方差都一样的，这样可以加快收敛。
还注意到在输入之后，有一个 Positional Encoding，Transformer 不采用 RNN 的结构，而是使用全局信息，不能利用单词的顺序信息，而这部分信息对于 NLP 来说非常重要，否则 Transformer 就是一个词袋模型了。所以 Transformer 中使用 Positional Encoding 保存单词在序列中的相对或绝对位置。PE 的维度与单词 Embedding 是一样的。
上述公式表示的是绝对位置，选择这个公式的原因是它可以用三角函数转换表达相对位置。细节可以看这篇 https://zhuanlan.zhihu.com/p/137615798。
总结：
Transformer 与 RNN 不同，可以比较好地并行训练，计算速度更快。
Transformer 的重点是 self-Attention 结构，其中用到的 Q, K, V矩阵通过输出进行线性变换得到。
数据量大可能用 Transformer 好一些，数据量小的话还是 RNN-based model。
BERT
Bidirectional Encoder Representation from Transformers，即双向 Transformer 的 Encoder。
BERT模型实际上是一个语言编码器，把输入的句子或者段落转化成特征向量（embedding）。
论文中有两大亮点：1. 双向编码器。作者沿用 Tansformer，并提出双向的概念，利用 masked 实现双向；2. 作者提出了两种预训练的方法：Masked-LM 和 Next Sentence Prediction 方法。作者认为现在很多语言模型低估了预训练的力量。masked 语言模型比起预测下一个句子的语言模型，多了双向的概念。
下图最左为 BERT 的基本结构。
ELMo：使用 LSTM的方法实现。用双向 LSTM 获得前后上下文的信息。
OpenAI GPT：通过 Transformer 学习出来一个语言模型，也就是缺少了 encoder 的 Transformer（使用的 decoder 去掉第二层 self-Attention层 ）。
GPT 和 ELMo 很大的不同就是在使用上，不再是将模型当作一个精致的特征提取器，后再加上特定模型，而是将模型当作处理大量特定问题的基础模型，再上面进行 fine-tuning。就是把 pre-train 的模型当作基础模型，特定问题只需要再上面做 fine-tuning（加特定输出结构，改变输入格）的模式。
而 BERT 在 OpenAI GPT 的基础上，使用双向的 Transformer block 连接。
整体分为两个过程：
1. pre-train（预训练）过程是一个 multi-task learning，迁移学习的任务，目的是学习输入句子的向量。
2. fine-tuning（微调）微调参数（改变预训练模型参数）或者特征抽取（不改变预训练模型参数，只是把预训练模型的输出作为特征输入到下游任务）两种方式。
（1）输入
BERT 对输入做了更宽泛的定义，输入表示既可以是一个句子也可以一对句子（比如问答）。
Token Embeddings 是词向量，每个输入的第一个位置放 CLS 标注（CLS 就是 class 简写），每个句子结尾用 SEP 标注。
Segment Embeddings 用来区别两种句子，因为预训练不光做 LM，还要做以两个句子为输入的分类任务（区分是否噪声）。对于句对来说，EA 和 EB 分别代表左句子和右句子；对于句子来说，只有 EA。
Position Embeddings 和之前文章中的 Transformer 不一样，不是三角函数而是学习出来的。
这三个向量都是训练得到的。
（2）pre-train：Masked 语言模型（Masked LM）
Masked 语言模型是为了训练深度双向语言表示向量。 模型使用 n（论文中 n = 12 或 24）层 Transformer 的 encoder 层。
训练方法为：作者随机遮住 15% 的单词。
① 其中 80% 用 [mask] 来代替。
② 10% 用随机的一个词来替换。
③ 10% 保持这个词不变。
输入为完整的句子，模型根据句子预测这句话中的每一个词，最后只计算 [mask] 词的损失。
encoder 不知道它将被要求预测哪些单词或哪些单词已被随机单词替换，因此它被迫保持每个输入token的分布式上下文表示。
10% 的随机替换是因为，如果 [mask] 只会出现在构造句子中，Fine-tunning 中不会出现 [mask] ，就会造成了预训练和微调之间的不匹配。
此外，因为随机替换只发生在所有token的 1.5％（即15％的10％），对模型的语言理解能力的损害可以忽略不计。
编码器不知道哪些词需要预测的，哪些词是错误的，因此被迫需要学习每一个 token 的表示向量。
（3）pre-train：Next Sentence Prediction
训练一个二分类的模型，来学习句子之间的关系。
选择一些句子对 A 与 B，其中 50% 的数据 B 是 A 的下一条，剩余 50% 的 B 是语料库中随机选择的。输入这两个句子，模型预测 B 是不是 A 的下一句。
pre-train 的两部分，MLM 完成语义的大部分的学习，NSP 学习句子级别的特征。两部分的输组合在前面图里的 pre-train，就是 NSP 的输出放在首位，MLM 的输出放在后面。
（4）Fine-tuning
BERT 将传统大量在下游具体 NLP 任务中做的操作转移到预训练词向量中，BERT 预训练模型的输出结果，无非就是一个或多个向量。下游任务可以通过精调（改变预训练模型参数）或者特征抽取（不改变预训练模型参数，只是把预训练模型的输出作为特征输入到下游任务）两种方式进行使用。
一般加上 FFNN（分类再加个 softmax）就好了。
论文中主要出现的四种任务如下图所示。
（a）句子关系判断（句对匹配）
输出的第一个位置为类别标签。
（b）单句分类任务（情感分类等）
输出首位置为类别标签。单句分类就不需要 [SEP] 符号了。
（c）问答任务（问答、翻译等）
加感知机。句子对变成问题和文章，输出 span 的起点和终点。
（d）单句标注（命名实体识别等）
每个输入对应一个输出。
总结：
预训练使用了 MLM，使用双向 LM 做模型预训练。预训练使用了 NSP，它可以学习句子与句子间的关系。
为下游任务引入了很通用的求解框架，不再为任务做模型定制。
优点：
Transformer Encoder 因为有 Self-attention 机制，因此BERT自带双向功能。
BERT 加入了 NSP 来和 MLM 一起做联合训练，获取比词更高级别的句子级别的语义表征。
BERT 设计了更通用的输入层和输出层，适配多任务下的迁移学习。
