前言
上一篇文章中讲到了GPT，也简单讲到了GPT和BERT的区别，这里先贴回来温习一下：
GPT和BERT之间的区别是：GPT选择了transformer中decoder阶段结构作为预训练结构；而BERT选择了transformer中encoder阶段结构作为预训练结构。
这样首先需要知道encoder结构和decoder结构之间的利弊：
| encoder | decoder |
|---|---|
| 双向网络 | 单向网络 |
| 没有天然的预测目标（Bert自己构造mask） | 有天然的预测目标（天然mask+预测下一个词） |
| 能看到所有词（更适合做语言理解） | 只能看到一个词前面的词（更适合做语言预测） |
BERT这里使用了双向的Encoder，再回来看BERT这个名字Bidirectional Encoder Representation from Transformer，就十分贴切了。
如何预训练 pretrain
那么本篇就主要学习下BERT这个预训练模型：
由于GPT使用的是单向网络，这就给了BERT改进的空间–双向网络，双向网络下一个token既能看到它前面的token又能看到它后面的token，上下文信息都知道了，那模型预测什么呢？
“完形填空”mask --Masked Language Model (MLM)
BERT首先想到了“完形填空”的方式，在输入的时候挖掉一些token，让模型去填这些“空”。但是如果只构造mask挖掉一些token会使模型只去关注这些被mask的地方，从而忽视其他部分。
所以BERT采用了以下方式构造mask：
- 随机把一句话中 15% 的 token替换为：
- 80%的token输入时被替换为mask
- 10%的token在输入时被替换为其他token
- 10%的token保持不变
- 只计算mask时被替换的token的损失
这样模型并不知道被mask的是不是正确的，没被mask的也可能是错误的，就会让模型不至于只关注被mask的地方。
预测下一句 --Next Sentence Prediction (NSP)
除了“完形填空”，BERT这里还有另一种预测方式，就是把任意两个句子拼起来，在第一句前加一个[CLS]的token，用该token去预测是否是可相互连接的句子（这里之前GPT的方式，除了可以判断两句话是否连接，还可以判断两句话是否是相似的，是否是蕴含关系，是否是问题答案关系等等则放在finetune阶段，因为上下句子是否连接完全不需要标签，天然可以有大量的预训练数据）
这里的拼接方式如下图所示[CLS][句子1的token][SEP][句子2的token][SEP]
每个token的输入除了token的embedding还有位置的embedding和分割符的embedding（这里第一个句子的segment embedding 全为0，第二个句子的全为1）
BERT 预训练阶通过将上述两个任务结合起来，将两者的 Loss 相加进行训练：
如下图左边所示，每次既要判断[CLS]输出的0/1是否判断准确，还要判断每个[MASK]的token是否预测准确。
如何finetuning
BERT的finetuning阶段和GPT比较类似，都可以对不同任务进行finetuning。
不同的是BERT在做分类/是否任务时通常采用的是第一个[CLS]的输出，而GPT往往采用最后一个[token]的输出，这里采用第一个[CLS]的输出大概是因为第一个[CLS]是一个无偏袒的token，通过self-attention可以学习到所有其他token的完整信息。
下面两图所示的都是采用[CLS]的输出来进行分类/是否任务的例子：
左边是判断两个句子是否存在推理关系，右边则是判断一个句子的所属分类。
除了分类/是否任务外，BERT还可以做其他，比如预测每个词的标签/分类，预测一句话的答案QA问题等。
下图所示的就是QA问题的一个finetuning，给定一个question和一个可能包含答案的paragraph，对paragraph中question的答案的起始终止位置进行预测（即预测paragraph中每个token的输出分类BIO，或者预测每个单词作为起始/终止位置的概率）
