Bert的网络结构以及训练过程

Bert是文本编码器，它使用了Transformer的Encoder端，有两个预训练任务，分别是掩码语言模型和下一句子预测；掩码语言模型是随机选择15%的词，在这15%的词中，选择80%的词进行mask，选择10%的词随机替换成别的词，剩下10%的词什么也不做，然后根据上下文来预测这些词。下一句子预测是判断前后两个句子是否互为上下句；然后它使用了大规模的预料进行预训练。
这么做的主要原因是：① 在后续finetune任务中语句中并不会出现 [MASK] 标记；②预测一个词汇时，模型并不知道输入对应位置的词汇是否为正确的词汇（ 10% 概率），这就迫使模型更多地依赖于上下文信息去预测词汇，并且赋予了模型一定的纠错能力。

Bert和Transformer的区别

Bert的输入，增加了segment embedding，和Transformer相比，将基于三角函数的位置编码替换成可学习的参数。
query和key为什么不用一个值
将单词的embeding通过不同的线性映射投影到独立的空间，增强了表达能力，增强了泛化性。

Bert的warmup策略

常规的学习率策略是一开始设置一个较大的学习率，在模型迭代的过程中，学习率逐渐减小，直到收敛到局部最优。
Bert使用warmup的原因是一开始模型对数据的分布非常陌生，如果使用较大的学习率，很容易发生过拟合的现象，后面需要通过多轮训练才能拉回来。使用warmup策略，模型在前几轮的迭代过程先慢慢熟悉数据分布，然后使用较大的学习率不容易让模型学偏，当模型训练到一定的阶段后，模型学习到了大概的数据分布，loss也已经接近了局部最优。