bert原理及代码解读

BERT:

(Bidirectional Encoder Representations from Transformers)

BERT的新语言表示模型，它代表Transformer的双向编码器表示。与最近的其他语言表示模型不同，BERT旨在通过联合调节所有层中的上下文来预先训练深度双向表示。因此，预训练的BERT表示可以通过一个额外的输出层进行微调，适用于广泛任务的最先进模型的构建，比如问答任务和语言推理，无需针对具体任务做大幅架构修改。

基础比较弱的，直接看bert，可能要结合这个文章一起看：从Word Embedding到Bert模型——自然语言处理预训练技术发展史。

简单一点可以这样概括：

后续方法的提出主要源于Word Embedding 存在 多义词问题，比如：bank（河岸、银行），熟悉word2vector应该很清楚为什么存在多义词问题了。

而下游 NLP 任务在使用 Word Embedding 的时候也类似图像有两种做法：（两种做法就是 18 年之前 NLP 领域里面采用预训练的典型做法）

（1）一种是 Frozen，就是 Word Embedding 那层网络参数固定不动；

（2）另外一种是 Fine-Tuning，就是 Word Embedding 这层参数使用新的训练集合训练也需要跟着训练过程更新掉。

基于上面的骚操作作用不是很大哦，故有了：ELMO、GPT等，到现在的Bert，具体细节还是看从Word Embedding到Bert模型——自然语言处理预训练技术发展史后面的部分吧，写的不错就不赘述了。

下面我们来解读一下tf代码和pytorch代码： （代码比较简单， 在考虑要不要解读一下哦）

tf代码：https://github.com/google-research/bert

pytorch代码：https://github.com/codertimo/BERT-pytorch