发现有这一课没记录，补一下。

引子

BERT：340M的参数
GPT-3：175B
Switch Transformer：1.6T（谷歌）

由于自监督学习没有用到标签，因此是属于无监督学习的一种，类似的还有Cycle GAN也是无监督学习，但是又和原始的无监督学习有区别，因此，将他们单独拿出来。

X’ mask input

输入原本为台湾大学，然后随机选择要mask的部分，mask有两种方式：
第一种是使用特殊的token
第二种是使用随机的字符

输入经过BERT（也就是Transformer Encoder），在mask的位置也会有相应的向量输出，然后将输出的向量经过Linear变化，再通过Softmax得到一个概率分布，分布大小与词库大小相同。

我们通过最小化预测值与真实值的交叉熵来训练BERT+Linear两个部分的参数

Next Sentence Prediction

将两个句子加上开始标记[CLS]和间隔标记[SEP]，然后作为输入进入BERT，仅取开始标记位置的输出向量进入Linear变化，得到一个二分类问题。如果两个句子是相邻这输出Yes，否则输出No。

Robustly optimized BERT approach(RoBERTa)一文提出这个训练方式并不好，究其原因为负样本过多，随意从文章拿两个句子凑一块作为样本对，模型只要瞎猜不是相邻句子大概率就可以蒙对。

但是在SOP: Sentence order prediction这个用在ALBERT的任务中，BERT表现还不错。

Downstream Tasks

BERT两个典型的任务就是上面介绍的文章填空以及句子顺序判断，后者效果还不咋地，因此BERT看上去用途不广，但是实际上它作为预训练模型在下游任务上有很好的用途。我们只需要少量数据就可以完成相应任务。

注：预训练阶段属于Unsupervised，微调阶段又需要标签数据，因此整体属于Semisupervised

GLUE

General Language Understanding Evaluation(GLUE)是包含九个测试任务的任务集，它还有中文版。
• Corpus of Linguistic Acceptability (CoLA)
• Stanford Sentiment Treebank (SST-2)
• Microsoft Research Paraphrase Corpus (MRPC)
• Quora Question Pairs (QQP)
• Semantic Textual Similarity Benchmark (STS-B)
• Multi-Genre Natural Language Inference (MNLI)
• Question-answering NLI (QNLI)
• Recognizing Textual Entailment (RTE)
• Winograd NLI (WNLI)
通常将九个模型的得分表现进行平均作为评价模型好坏的根据。

下图中，黑色线表示人类基准，蓝色虚线是模型平均得分：

BERT_55">BERT的四个用法

根据输入输出的类型不同大概有四种，每种选一种代表性任务来举例。这里虽然是用文字来组成序列，当然也可以替换为语音等类似的东西。

情感分析

输入：序列
输出：分类
先在句子的前面加上[CLS]标记，句子经过BERT后，只关注[CLS]标记对应的输出，将该向量丢进Linear，然后用Softmax进行分类。两个模块初始化方式如下图所示：

训练时需要为模型提供带有标签的句子。

使用随机初始化与预训练初始化BERT效果如下图，一共四个任务：

POS标注

输入：序列
输出：序列

先在句子的前面加上[CLS]标记，句子经过BERT后，每个单词都会有一个输出向量，每个向量分别经过Linear和Softmax，最后得到词性的分类。

I	saw	a	saw
N	V	DET	N

自然语言推断Natural Language Inferencee (NLI)

输入：两个序列
输出：类别
premise：前提
hypothesis：假设
模型会推断是否能从前提推断出假设。例如下图中的前提和假设就是冲突关系。

这个任务可以用在以下场景：将某个文章和评论丢进模型，模型会输出二者赞成还是反对关系。
具体是操作过程如下图，只取[CLS]标记对应的向量进行分类。

问答（抽取式）

抽取式问答是从原文中找答案。例如：
In meteorology, precipitation is any product of the condensation of atmospheric water vapor that falls under $gravity$. The main forms of precipitation include drizzle, rain, sleet, snow, $graupel$ and hail… Precipitation forms as smaller droplets coalesce via collision with other raindrops or ice crystals $withinacloud$. Short, intense periods of rain in scattered locations are called “showers”.
What causes precipitation to fall?
$gravity$
What is another main form of precipitation be-sides drizzle, rain, snow, sleet and hail?
$graupel$
Where do water droplets collide with ice crystalsto form precipitation?
$withinacloud$
输入为文章和问题的序列：
D = { d 1 , d 2 , ⋯   , d N } D=\{d_1,d_2,\cdots,d_N\} D={d1​,d2​,⋯,dN​}
Q = { q 1 , q 2 , ⋯   , q M } Q=\{q_1,q_2,\cdots,q_M\} Q={q1​,q2​,⋯,qM​}

输出为两个正整数$s,e$表示答案在文章中的位置。则回答为：
A = { d s , ⋯   , d e } A=\{d_s,\cdots,d_e\} A={ds​,⋯,de​}
上面文章执行结果为：

具体执行过程如下图：

橙色和蓝色向量与BERT输出向量长度相同（随机初始化），先用橙色向量与文章的输出进行内积，然后过Softmax（与注意力过程很像），可以求出起始词位置，例如这里是$s=2$

再用蓝色向量与文章的输出进行内积，然后过Softmax，可以求出结束词位置，这里$e=3$

这里需要注意，不能吃太长的序列，不然内积计算部分计算量非常大。

BERT_123">BERT的衍生模型

BERT的训练只是提供了Encoder端的预训练，那么如何训练一个Decoder，从而形成seq2seq 模型？

如上图所示就是将输入做一些破坏 变形，期待模型仍然能够复现输出未破坏的输入。

由于对输入的处理不一样，有很多方法，使用mask的方式就称为MASS
后来还衍生出：删除、乱序、旋转、填充等方法。

后来有人把所有方法一锅端，都用在BERT上面，就称为：BART

谷歌最后来了一个大总结，把所有方法进行了比较：
Transfer Text-to-Text Transformer (T5)（67页的paper），T5在Colossal Clean Crawled Corpus(C4)语料库（大小为7TB，单卡预处理就要一年）上进行训练。

为什么BERT能做填空之外的任务？
从下图中可以看到，BERT吃句子，突出每个token对应的向量，也就是embedding，图中红色框对应的embedding是对应【大】字的向量表示。

其实学过Word2Vec都知道，意思相近的token，其向量表示位置也相近：

对于一词多义的token而言，BERT会考虑上下文给出不同语境下的向量表示，例如我们收集很多带有【果】字的句子，丢进BERT，并查看他们之间的相似度：

最后用热图表示：

其中前面五句话中【果】与水果有关，后面五句话与手机有关。

原因在于如何根据上下文来生成对应的向量表征，BERT工作原理就是将要生成表征向量的单词盖住了，该单词的向量其实都是靠上下文的词生成的。

这和CBOW的原理一样，CBOW只是当时算力的限制，只用了两个Linear的模块，而BERT就有了DL的加持。

DNA中有四种碱基序列，分别为TACG，下面是一个用BERT根据DNA序列来预测DNA类别。

具体做法是先产生一个词汇表，并将碱基对应四个词汇，这4个词汇可以是随机的，对结果影响不大。

碱基	词
A	we
T	you
C	he
G	she

这样就把DNA序列转化为词汇序列，然后加[CLS]，丢入BERT，取[CLS]对应的向量进行Linear和Softmax，得到分类。

以这个思路分别在蛋白质，DNA，音乐分类任务进行实验得到以下结果：

这里结果的可解释性还需要进一步研究。

BERT_179">Multi-lingual BERT

使用不用语言来训练BERT就称为Multi-lingual BERT。

训练好的BERT在跨语言的相同任务上会有很好的表现。
例如下面的实验使用了英文的SQuAD语料库和汉语的DRCD，人类的F1标准为93.3

说明模型找到不同语言之间的Cross-lingual Alignment

为了找到不同语言的信息之间的差异，决定自己train一个BERT，这里有小插曲，小数据量（200k sentences for each lang）根本训练不起来，用了1000k sentences才得到比较好的结果：
y轴是：Mean Reciprocal Rank (MRR): Higher MRR, better alignment
先得到不同语言token的向量表示：

然后求平均并求二者的差异：

然后可以通过以下的方式进行不同语言的重现：

GPT的野望（略）