?

Bert 最近很火，應(yīng)該是最近最火爆的 AI 進(jìn)展，網(wǎng)上的評(píng)價(jià)很高，那么 Bert 值得這么高的評(píng)價(jià)嗎？我個(gè)人判斷是值得。那為什么會(huì)有這么高的評(píng)價(jià)呢？是因?yàn)樗兄卮蟮睦碚摶蛘吣Ｐ蛣?chuàng)新嗎？其實(shí)并沒(méi)有，從模型創(chuàng)新角度看一般，創(chuàng)新不算大。但是架不住效果太好了，基本刷新了很多 NLP 的任務(wù)的最好性能，有些任務(wù)還被刷爆了，這個(gè)才是關(guān)鍵。另外一點(diǎn)是 Bert 具備廣泛的通用性，就是說(shuō)絕大部分 NLP 任務(wù)都可以采用類似的兩階段模式直接去提升效果，這個(gè)第二關(guān)鍵。客觀的說(shuō)，把 Bert 當(dāng)做最近兩年 NLP 重大進(jìn)展的集大成者更符合事實(shí)。

本文的主題是自然語(yǔ)言處理中的預(yù)訓(xùn)練過(guò)程，會(huì)大致說(shuō)下 NLP 中的預(yù)訓(xùn)練技術(shù)是一步一步如何發(fā)展到 Bert 模型的，從中可以很自然地看到 Bert 的思路是如何逐漸形成的，Bert 的歷史沿革是什么，繼承了什么，創(chuàng)新了什么，為什么效果那么好，主要原因是什么，以及為何說(shuō)模型創(chuàng)新不算太大，為何說(shuō) Bert 是近年來(lái) NLP 重大進(jìn)展的集大成者。

我們一步一步來(lái)講，而串起來(lái)這個(gè)故事的脈絡(luò)就是自然語(yǔ)言的預(yù)訓(xùn)練過(guò)程，但是落腳點(diǎn)還是在 Bert 身上。要講自然語(yǔ)言的預(yù)訓(xùn)練，得先從圖像領(lǐng)域的預(yù)訓(xùn)練說(shuō)起。

自從深度學(xué)習(xí)火起來(lái)后，預(yù)訓(xùn)練過(guò)程就是做圖像或者視頻領(lǐng)域的一種比較常規(guī)的做法，有比較長(zhǎng)的歷史了，而且這種做法很有效，能明顯促進(jìn)應(yīng)用的效果。

那么圖像領(lǐng)域怎么做預(yù)訓(xùn)練呢，上圖展示了這個(gè)過(guò)程，我們?cè)O(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)以后，對(duì)于圖像來(lái)說(shuō)一般是 CNN 的多層疊加網(wǎng)絡(luò)結(jié)構(gòu)，可以先用某個(gè)訓(xùn)練集合比如訓(xùn)練集合 A 或者訓(xùn)練集合 B 對(duì)這個(gè)網(wǎng)絡(luò)進(jìn)行預(yù)先訓(xùn)練，在 A 任務(wù)上或者B任務(wù)上學(xué)會(huì)網(wǎng)絡(luò)參數(shù)，然后存起來(lái)以備后用。

假設(shè)我們面臨第三個(gè)任務(wù) C，網(wǎng)絡(luò)結(jié)構(gòu)采取相同的網(wǎng)絡(luò)結(jié)構(gòu)，在比較淺的幾層 CNN 結(jié)構(gòu)，網(wǎng)絡(luò)參數(shù)初始化的時(shí)候可以加載 A 任務(wù)或者 B 任務(wù)學(xué)習(xí)好的參數(shù)，其它 CNN 高層參數(shù)仍然隨機(jī)初始化。之后我們用 C 任務(wù)的訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，此時(shí)有兩種做法，一種是淺層加載的參數(shù)在訓(xùn)練 C 任務(wù)過(guò)程中不動(dòng)，這種方法被稱為“Frozen”;另外一種是底層網(wǎng)絡(luò)參數(shù)盡管被初始化了，在 C 任務(wù)訓(xùn)練過(guò)程中仍然隨著訓(xùn)練的進(jìn)程不斷改變，這種一般叫“Fine-Tuning”，顧名思義，就是更好地把參數(shù)進(jìn)行調(diào)整使得更適應(yīng)當(dāng)前的 C 任務(wù)。一般圖像或者視頻領(lǐng)域要做預(yù)訓(xùn)練一般都這么做。

這么做有幾個(gè)好處，首先，如果手頭任務(wù) C 的訓(xùn)練集合數(shù)據(jù)量較少的話，現(xiàn)階段的好用的 CNN 比如 Resnet/Densenet/Inception 等網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)很深，幾百萬(wàn)上千萬(wàn)參數(shù)量算起步價(jià)，上億參數(shù)的也很常見(jiàn)，訓(xùn)練數(shù)據(jù)少很難很好地訓(xùn)練這么復(fù)雜的網(wǎng)絡(luò)，但是如果其中大量參數(shù)通過(guò)大的訓(xùn)練集合比如 ImageNet 預(yù)先訓(xùn)練好直接拿來(lái)初始化大部分網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，然后再用 C 任務(wù)手頭比較可憐的數(shù)據(jù)量上 Fine-tuning 過(guò)程去調(diào)整參數(shù)讓它們更適合解決 C 任務(wù)，那事情就好辦多了。

這樣原先訓(xùn)練不了的任務(wù)就能解決了，即使手頭任務(wù)訓(xùn)練數(shù)據(jù)也不少，加個(gè)預(yù)訓(xùn)練過(guò)程也能極大加快任務(wù)訓(xùn)練的收斂速度，所以這種預(yù)訓(xùn)練方式是老少皆宜的解決方案，另外療效又好，所以在做圖像處理領(lǐng)域很快就流行開(kāi)來(lái)。

那么新的問(wèn)題來(lái)了，為什么這種預(yù)訓(xùn)練的思路是可行的？

目前我們已經(jīng)知道，對(duì)于層級(jí)的 CNN 結(jié)構(gòu)來(lái)說(shuō)，不同層級(jí)的神經(jīng)元學(xué)習(xí)到了不同類型的圖像特征，由底向上特征形成層級(jí)結(jié)構(gòu)，如上圖所示，如果我們手頭是個(gè)人臉識(shí)別任務(wù)，訓(xùn)練好網(wǎng)絡(luò)后，把每層神經(jīng)元學(xué)習(xí)到的特征可視化肉眼看一看每層學(xué)到了啥特征，你會(huì)看到最底層的神經(jīng)元學(xué)到的是線段等特征，圖示的第二個(gè)隱層學(xué)到的是人臉五官的輪廓，第三層學(xué)到的是人臉的輪廓，通過(guò)三步形成了特征的層級(jí)結(jié)構(gòu)，越是底層的特征越是所有不論什么領(lǐng)域的圖像都會(huì)具備的比如邊角線弧線等底層基礎(chǔ)特征，越往上抽取出的特征越與手頭任務(wù)相關(guān)。

正因?yàn)榇耍?/span>所以預(yù)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)，尤其是底層的網(wǎng)絡(luò)參數(shù)抽取出特征跟具體任務(wù)越無(wú)關(guān)，越具備任務(wù)的通用性，所以這是為何一般用底層預(yù)訓(xùn)練好的參數(shù)初始化新任務(wù)網(wǎng)絡(luò)參數(shù)的原因。而高層特征跟任務(wù)關(guān)聯(lián)較大，實(shí)際可以不用使用，或者采用 Fine-tuning 用新數(shù)據(jù)集合清洗掉高層無(wú)關(guān)的特征抽取器。

一般我們喜歡用 ImageNet 來(lái)做網(wǎng)絡(luò)的預(yù)訓(xùn)練，主要有兩點(diǎn)，一方面 ImageNet 是圖像領(lǐng)域里有超多事先標(biāo)注好訓(xùn)練數(shù)據(jù)的數(shù)據(jù)集合，分量足是個(gè)很大的優(yōu)勢(shì)，量越大訓(xùn)練出的參數(shù)越靠譜；另外一方面因?yàn)?ImageNet 有 1000 類，類別多，算是通用的圖像數(shù)據(jù)，跟領(lǐng)域沒(méi)太大關(guān)系，所以通用性好，預(yù)訓(xùn)練完后哪哪都能用，是個(gè)萬(wàn)金油。分量足的萬(wàn)金油當(dāng)然老少通吃，人人喜愛(ài)。

聽(tīng)完上述話，如果你是具備研究素質(zhì)的人，也就是說(shuō)具備好奇心，你一定會(huì)問(wèn)下面這個(gè)問(wèn)題：“既然圖像領(lǐng)域預(yù)訓(xùn)練這么好用，那干嘛自然語(yǔ)言處理不做這個(gè)事情呢？是不是搞 NLP 的人比搞 CV 的傻??？就算你傻，你看見(jiàn)人家這么做，有樣學(xué)樣不就行了嗎？這不就是創(chuàng)新嗎，也許能成，萬(wàn)一成了，你看，你的成功來(lái)得就是這么突然!”

嗯，好問(wèn)題，其實(shí)搞 NLP 的人一點(diǎn)都不比你傻，早就有人嘗試過(guò)了，不過(guò)總體而言不太成功而已。聽(tīng)說(shuō)過(guò) word embedding 嗎？2003 年出品，陳年技術(shù)，馥郁芳香。word embedding 其實(shí)就是 NLP 里的早期預(yù)訓(xùn)練技術(shù)。當(dāng)然也不能說(shuō) word embedding 不成功，一般加到下游任務(wù)里，都能有 1 到 2 個(gè)點(diǎn)的性能提升，只是沒(méi)有那么耀眼的成功而已。

沒(méi)聽(tīng)過(guò)？那下面就把這段陳年老賬講給你聽(tīng)聽(tīng)。?

這塊大致講講 Word Embedding 的故事，很粗略，因?yàn)榫W(wǎng)上關(guān)于這個(gè)技術(shù)講的文章太多了，汗牛沖動(dòng)，我不屬牛，此刻更沒(méi)有流汗，所以其實(shí)絲毫沒(méi)有想講 Word Embedding 的沖動(dòng)和激情，但是要說(shuō)預(yù)訓(xùn)練又得從這開(kāi)始，那就粗略地講講，主要是引出后面更精彩的部分。在說(shuō) Word Embedding 之前，先更粗略地說(shuō)下語(yǔ)言模型，因?yàn)橐话?NLP 里面做預(yù)訓(xùn)練一般的選擇是用語(yǔ)言模型任務(wù)來(lái)做。

什么是語(yǔ)言模型？其實(shí)看上面這張 PPT 上扣下來(lái)的圖就明白了，為了能夠量化地衡量哪個(gè)句子更像一句人話，可以設(shè)計(jì)如上圖所示函數(shù)，核心函數(shù) P 的思想是根據(jù)句子里面前面的一系列前導(dǎo)單詞預(yù)測(cè)后面跟哪個(gè)單詞的概率大?。ɡ碚撋铣松衔闹猓部梢砸雴卧~的下文聯(lián)合起來(lái)預(yù)測(cè)單詞出現(xiàn)概率）。句子里面每個(gè)單詞都有個(gè)根據(jù)上文預(yù)測(cè)自己的過(guò)程，把所有這些單詞的產(chǎn)生概率乘起來(lái)，數(shù)值越大代表這越像一句人話。語(yǔ)言模型壓下暫且不表，我隱約預(yù)感到我這么講你可能還是不太會(huì)明白，但是大概這個(gè)意思，不懂的可以去網(wǎng)上找，資料多得一樣地汗牛沖動(dòng)。

假設(shè)現(xiàn)在讓你設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，去做這個(gè)語(yǔ)言模型的任務(wù)，就是說(shuō)給你很多語(yǔ)料做這個(gè)事情，訓(xùn)練好一個(gè)神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好之后，以后輸入一句話的前面幾個(gè)單詞，要求這個(gè)網(wǎng)絡(luò)輸出后面緊跟的單詞應(yīng)該是哪個(gè)，你會(huì)怎么做？

你可以像上圖這么設(shè)計(jì)這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，這其實(shí)就是大名鼎鼎的中文人稱“神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型”，英文小名 NNLM 的網(wǎng)絡(luò)結(jié)構(gòu)，用來(lái)做語(yǔ)言模型。這個(gè)工作有年頭了，是個(gè)陳年老工作，是 Bengio 在 2003 年發(fā)表在 JMLR 上的論文。它生于 2003，火于 2013，以后是否會(huì)不朽暫且不知，但是不幸的是出生后應(yīng)該沒(méi)有引起太大反響，沉寂十年終于時(shí)來(lái)運(yùn)轉(zhuǎn)沉冤得雪，在 2013 年又被 NLP 考古工作者從海底濕淋淋地?fù)瞥鰜?lái)了祭入神殿。

為什么會(huì)發(fā)生這種技術(shù)奇遇記？你要想想 2013 年是什么年頭，是深度學(xué)習(xí)開(kāi)始滲透 NLP 領(lǐng)域的光輝時(shí)刻，萬(wàn)里長(zhǎng)征第一步，而 NNLM 可以算是南昌起義第一槍。在深度學(xué)習(xí)火起來(lái)之前，極少有人用神經(jīng)網(wǎng)絡(luò)做 NLP 問(wèn)題，如果你 10 年前堅(jiān)持用神經(jīng)網(wǎng)絡(luò)做 NLP，估計(jì)別人會(huì)認(rèn)為你這人神經(jīng)有問(wèn)題。所謂紅塵滾滾，誰(shuí)也擋不住歷史發(fā)展趨勢(shì)的車輪，這就是個(gè)很好的例子。

上面是閑話，閑言碎語(yǔ)不要講，我們回來(lái)講一講 NNLM 的思路。先說(shuō)訓(xùn)練過(guò)程，現(xiàn)在看其實(shí)很簡(jiǎn)單，見(jiàn)過(guò) RNN、LSTM、CNN?后的你們回頭再看這個(gè)網(wǎng)絡(luò)甚至顯得有些簡(jiǎn)陋。學(xué)習(xí)任務(wù)是輸入某個(gè)句中單詞前面句子的 t-1 個(gè)單詞，要求網(wǎng)絡(luò)正確預(yù)測(cè)單詞 Bert，即最大化：

前面任意單詞用Onehot編碼（比如：0001000）作為原始單詞輸入，之后乘以矩陣 Q 后獲得向量，每個(gè)單詞的拼接，上接隱層，然后接 softmax 去預(yù)測(cè)后面應(yīng)該后續(xù)接哪個(gè)單詞。這個(gè)是什么？這其實(shí)就是單詞對(duì)應(yīng)的 Word Embedding 值，那個(gè)矩陣 Q 包含 V 行，V 代表詞典大小，每一行內(nèi)容代表對(duì)應(yīng)單詞的 Word embedding 值。只不過(guò) Q 的內(nèi)容也是網(wǎng)絡(luò)參數(shù)，需要學(xué)習(xí)獲得，訓(xùn)練剛開(kāi)始用隨機(jī)值初始化矩陣 Q，當(dāng)這個(gè)網(wǎng)絡(luò)訓(xùn)練好之后，矩陣 Q 的內(nèi)容被正確賦值，每一行代表一個(gè)單詞對(duì)應(yīng)的 Word embedding 值。

2013 年最火的用語(yǔ)言模型做 Word Embedding 的工具是 Word2Vec，后來(lái)又出了 Glove，Word2Vec 是怎么工作的呢？看下圖。

Word2Vec 的網(wǎng)絡(luò)結(jié)構(gòu)其實(shí)和 NNLM 是基本類似的，只是這個(gè)圖長(zhǎng)得清晰度差了點(diǎn)，看上去不像，其實(shí)它們是親兄弟。不過(guò)這里需要指出：盡管網(wǎng)絡(luò)結(jié)構(gòu)相近，而且也是做語(yǔ)言模型任務(wù)，但是其訓(xùn)練方法不太一樣。Word2Vec 有兩種訓(xùn)練方法，一種叫 CBOW，核心思想是從一個(gè)句子里面把一個(gè)詞摳掉，用這個(gè)詞的上文和下文去預(yù)測(cè)被摳掉的這個(gè)詞；第二種叫做 Skip-gram，和 CBOW 正好反過(guò)來(lái)，輸入某個(gè)單詞，要求網(wǎng)絡(luò)預(yù)測(cè)它的上下文單詞。

而你回頭看看，NNLM 是怎么訓(xùn)練的？是輸入一個(gè)單詞的上文，去預(yù)測(cè)這個(gè)單詞。這是有顯著差異的。為什么 Word2Vec 這么處理？原因很簡(jiǎn)單，因?yàn)?Word2Vec 和 NNLM 不一樣，NNLM 的主要任務(wù)是要學(xué)習(xí)一個(gè)解決語(yǔ)言模型任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)，語(yǔ)言模型就是要看到上文預(yù)測(cè)下文，而 word embedding 只是無(wú)心插柳的一個(gè)副產(chǎn)品。但是 Word2Vec 目標(biāo)不一樣，它單純就是要 word embedding 的，這是主產(chǎn)品，所以它完全可以隨性地這么去訓(xùn)練網(wǎng)絡(luò)。

為什么要講 Word2Vec 呢？這里主要是要引出 CBOW 的訓(xùn)練方法，BERT 其實(shí)跟它有關(guān)系，后面會(huì)講它們之間是如何的關(guān)系，當(dāng)然它們的關(guān)系 BERT 作者沒(méi)說(shuō)，是我猜的，至于我猜的對(duì)不對(duì)，后面你看后自己判斷。

使用 Word2Vec 或者 Glove，通過(guò)做語(yǔ)言模型任務(wù)，就可以獲得每個(gè)單詞的 Word Embedding，那么這種方法的效果如何呢？上圖給了網(wǎng)上找的幾個(gè)例子，可以看出有些例子效果還是很不錯(cuò)的，一個(gè)單詞表達(dá)成 Word Embedding 后，很容易找出語(yǔ)義相近的其它詞匯。

我們的主題是預(yù)訓(xùn)練，那么問(wèn)題是 Word Embedding 這種做法能算是預(yù)訓(xùn)練嗎？這其實(shí)就是標(biāo)準(zhǔn)的預(yù)訓(xùn)練過(guò)程。要理解這一點(diǎn)要看看學(xué)會(huì) Word Embedding 后下游任務(wù)是怎么用它的。

假設(shè)如上圖所示，我們有個(gè) NLP 的下游任務(wù)，比如 QA，就是問(wèn)答問(wèn)題，所謂問(wèn)答問(wèn)題，指的是給定一個(gè)問(wèn)題 X，給定另外一個(gè)句子 Y, 要判斷句子 Y 是否是問(wèn)題 X 的正確答案。問(wèn)答問(wèn)題假設(shè)設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)如上圖所示，這里不展開(kāi)講了，懂得自然懂，不懂的也沒(méi)關(guān)系，因?yàn)檫@點(diǎn)對(duì)于本文主旨來(lái)說(shuō)不關(guān)鍵，關(guān)鍵是網(wǎng)絡(luò)如何使用訓(xùn)練好的 Word Embedding 的。

它的使用方法其實(shí)和前面講的 NNLM 是一樣的，句子中每個(gè)單詞以 Onehot 形式作為輸入，然后乘以學(xué)好的 Word Embedding 矩陣 Q，就直接取出單詞對(duì)應(yīng)的 Word Embedding 了。這乍看上去好像是個(gè)查表操作，不像是預(yù)訓(xùn)練的做法是吧？其實(shí)不然，那個(gè) Word Embedding 矩陣 Q 其實(shí)就是網(wǎng)絡(luò) Onehot 層到 embedding 層映射的網(wǎng)絡(luò)參數(shù)矩陣。

所以你看到了，使用 Word Embedding 等價(jià)于什么？等價(jià)于把 Onehot 層到 embedding 層的網(wǎng)絡(luò)用預(yù)訓(xùn)練好的參數(shù)矩陣 Q 初始化了。這跟前面講的圖像領(lǐng)域的低層預(yù)訓(xùn)練過(guò)程其實(shí)是一樣的，區(qū)別無(wú)非 Word Embedding 只能初始化第一層網(wǎng)絡(luò)參數(shù)，再高層的參數(shù)就無(wú)能為力了。下游 NLP 任務(wù)在使用 Word Embedding 的時(shí)候也類似圖像有兩種做法：

• 一種是 Frozen，就是 Word Embedding 那層網(wǎng)絡(luò)參數(shù)固定不動(dòng)；

• 另外一種是 Fine-Tuning，就是 Word Embedding 這層參數(shù)使用新的訓(xùn)練集合訓(xùn)練也需要跟著訓(xùn)練過(guò)程更新掉。
  

上面這種做法就是 18 年之前 NLP 領(lǐng)域里面采用預(yù)訓(xùn)練的典型做法，之前說(shuō)過(guò)，Word Embedding 其實(shí)對(duì)于很多下游 NLP 任務(wù)是有幫助的，只是幫助沒(méi)有大到閃瞎忘記戴墨鏡的圍觀群眾的雙眼而已。那么新問(wèn)題來(lái)了，為什么這樣訓(xùn)練及使用 Word Embedding 的效果沒(méi)有期待中那么好呢？答案很簡(jiǎn)單，因?yàn)?Word Embedding 有問(wèn)題唄。這貌似是個(gè)比較弱智的答案，關(guān)鍵是 Word Embedding 存在什么問(wèn)題？這其實(shí)是個(gè)好問(wèn)題。

這片在 Word Embedding 頭上籠罩了好幾年的烏云是什么？是多義詞問(wèn)題。我們知道，多義詞是自然語(yǔ)言中經(jīng)常出現(xiàn)的現(xiàn)象，也是語(yǔ)言靈活性和高效性的一種體現(xiàn)。多義詞對(duì) Word Embedding 來(lái)說(shuō)有什么負(fù)面影響？

如上圖所示，比如多義詞 Bank，有兩個(gè)常用含義，但是 Word Embedding 在對(duì) bank 這個(gè)單詞進(jìn)行編碼的時(shí)候，是區(qū)分不開(kāi)這兩個(gè)含義的，因?yàn)樗鼈儽M管上下文環(huán)境中出現(xiàn)的單詞不同，但是在用語(yǔ)言模型訓(xùn)練的時(shí)候，不論什么上下文的句子經(jīng)過(guò) word2vec，都是預(yù)測(cè)相同的單詞 bank，而同一個(gè)單詞占的是同一行的參數(shù)空間，這導(dǎo)致兩種不同的上下文信息都會(huì)編碼到相同的 word embedding 空間里去。所以 word embedding 無(wú)法區(qū)分多義詞的不同語(yǔ)義，這就是它的一個(gè)比較嚴(yán)重的問(wèn)題。

你可能覺(jué)得自己很聰明，說(shuō)這可以解決啊，確實(shí)也有很多研究人員提出很多方法試圖解決這個(gè)問(wèn)題，但是從今天往回看，這些方法看上去都成本太高或者太繁瑣了，有沒(méi)有簡(jiǎn)單優(yōu)美的解決方案呢？

ELMO 提供了一種簡(jiǎn)潔優(yōu)雅的解決方案。

ELMO 是“Embedding from Language Models”的簡(jiǎn)稱，其實(shí)這個(gè)名字并沒(méi)有反應(yīng)它的本質(zhì)思想，提出ELMO的論文題目：“Deep contextualized word representation”更能體現(xiàn)其精髓，而精髓在哪里？在 deep contextualized 這個(gè)短語(yǔ)，一個(gè)是 deep，一個(gè)是 context，其中 context 更關(guān)鍵。在此之前的 Word Embedding 本質(zhì)上是個(gè)靜態(tài)的方式，所謂靜態(tài)指的是訓(xùn)練好之后每個(gè)單詞的表達(dá)就固定住了，以后使用的時(shí)候，不論新句子上下文單詞是什么，這個(gè)單詞的 Word Embedding 不會(huì)跟著上下文場(chǎng)景的變化而改變，所以對(duì)于比如 Bank 這個(gè)詞，它事先學(xué)好的 Word Embedding 中混合了幾種語(yǔ)義，在應(yīng)用中來(lái)了個(gè)新句子，即使從上下文中（比如句子包含 money 等詞）明顯可以看出它代表的是「銀行」的含義，但是對(duì)應(yīng)的 Word Embedding 內(nèi)容也不會(huì)變，它還是混合了多種語(yǔ)義。這是為何說(shuō)它是靜態(tài)的，這也是問(wèn)題所在。

ELMO 的本質(zhì)思想是：我事先用語(yǔ)言模型學(xué)好一個(gè)單詞的 Word Embedding，此時(shí)多義詞無(wú)法區(qū)分，不過(guò)這沒(méi)關(guān)系。在我實(shí)際使用 Word Embedding 的時(shí)候，單詞已經(jīng)具備了特定的上下文了，這個(gè)時(shí)候我可以根據(jù)上下文單詞的語(yǔ)義去調(diào)整單詞的 Word Embedding 表示，這樣經(jīng)過(guò)調(diào)整后的 Word Embedding 更能表達(dá)在這個(gè)上下文中的具體含義，自然也就解決了多義詞的問(wèn)題了。所以 ELMO 本身是個(gè)根據(jù)當(dāng)前上下文對(duì) Word Embedding 動(dòng)態(tài)調(diào)整的思路。

ELMO 采用了典型的兩階段過(guò)程，第一個(gè)階段是利用語(yǔ)言模型進(jìn)行預(yù)訓(xùn)練；第二個(gè)階段是在做下游任務(wù)時(shí)，從預(yù)訓(xùn)練網(wǎng)絡(luò)中提取對(duì)應(yīng)單詞的網(wǎng)絡(luò)各層的 Word Embedding 作為新特征補(bǔ)充到下游任務(wù)中。

上圖展示的是其預(yù)訓(xùn)練過(guò)程，它的網(wǎng)絡(luò)結(jié)構(gòu)采用了雙層雙向 LSTM，目前語(yǔ)言模型訓(xùn)練的任務(wù)目標(biāo)是根據(jù)單詞的上下文去正確預(yù)測(cè)單詞，之前的單詞序列 Context-before 稱為上文，之后的單詞序列 Context-after 稱為下文。圖中左端的前向雙層LSTM代表正方向編碼器，輸入的是從左到右順序的除了預(yù)測(cè)單詞外的上文 Context-before；右端的逆向雙層 LSTM 代表反方向編碼器，輸入的是從右到左的逆序的句子下文 Context-after；每個(gè)編碼器的深度都是兩層 LSTM 疊加。這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)其實(shí)在 NLP 中是很常用的。

使用這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)利用大量語(yǔ)料做語(yǔ)言模型任務(wù)就能預(yù)先訓(xùn)練好這個(gè)網(wǎng)絡(luò)，如果訓(xùn)練好這個(gè)網(wǎng)絡(luò)后，輸入一個(gè)新句子，句子中每個(gè)單詞都能得到對(duì)應(yīng)的三個(gè)Embedding:最底層是單詞的 Word Embedding，往上走是第一層雙向 LSTM中對(duì)應(yīng)單詞位置的 Embedding，這層編碼單詞的句法信息更多一些；再往上走是第二層 LSTM 中對(duì)應(yīng)單詞位置的 Embedding，這層編碼單詞的語(yǔ)義信息更多一些。也就是說(shuō)，ELMO 的預(yù)訓(xùn)練過(guò)程不僅僅學(xué)會(huì)單詞的 Word Embedding，還學(xué)會(huì)了一個(gè)雙層雙向的 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)，而這兩者后面都有用。?

上面介紹的是 ELMO 的第一階段：預(yù)訓(xùn)練階段。那么預(yù)訓(xùn)練好網(wǎng)絡(luò)結(jié)構(gòu)后，如何給下游任務(wù)使用呢？上圖展示了下游任務(wù)的使用過(guò)程，比如我們的下游任務(wù)仍然是 QA 問(wèn)題，此時(shí)對(duì)于問(wèn)句 X，我們可以先將句子 X 作為預(yù)訓(xùn)練好的 ELMO 網(wǎng)絡(luò)的輸入，這樣句子 X 中每個(gè)單詞在 ELMO 網(wǎng)絡(luò)中都能獲得對(duì)應(yīng)的三個(gè) Embedding，之后給予這三個(gè) Embedding 中的每一個(gè) Embedding 一個(gè)權(quán)重 a，這個(gè)權(quán)重可以學(xué)習(xí)得來(lái)，根據(jù)各自權(quán)重累加求和，將三個(gè) Embedding 整合成一個(gè)。

然后將整合后的這個(gè) Embedding 作為 X 句在自己任務(wù)的那個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中對(duì)應(yīng)單詞的輸入，以此作為補(bǔ)充的新特征給下游任務(wù)使用。對(duì)于上圖所示下游任務(wù) QA 中的回答句子 Y 來(lái)說(shuō)也是如此處理。

因?yàn)?ELMO給下游提供的是每個(gè)單詞的特征形式，所以這一類預(yù)訓(xùn)練的方法被稱為“Feature-based Pre-Training”。至于為何這么做能夠達(dá)到區(qū)分多義詞的效果，你可以想一想，其實(shí)比較容易想明白原因。

上面這個(gè)圖是 TagLM 采用類似 ELMO 的思路做命名實(shí)體識(shí)別任務(wù)的過(guò)程，其步驟基本如上述 ELMO 的思路，所以此處不展開(kāi)說(shuō)了。TagLM 的論文發(fā)表在 2017 年的 ACL 會(huì)議上，作者就是 AllenAI 里做 ELMO 的那些人，所以可以將 TagLM 看做 ELMO 的一個(gè)前導(dǎo)工作。前幾天這個(gè) PPT 發(fā)出去后有人質(zhì)疑說(shuō) FastAI 的在 18 年 4 月提出的 ULMFiT 才是拋棄傳統(tǒng) Word Embedding 引入新模式的開(kāi)山之作，我深不以為然。

首先 TagLM 出現(xiàn)的更早而且模式基本就是 ELMO 的思路；另外 ULMFiT 使用的是三階段模式，在通用語(yǔ)言模型訓(xùn)練之后，加入了一個(gè)領(lǐng)域語(yǔ)言模型預(yù)訓(xùn)練過(guò)程，而且論文重點(diǎn)工作在這塊，方法還相對(duì)比較繁雜，這并不是一個(gè)特別好的主意，因?yàn)轭I(lǐng)域語(yǔ)言模型的限制是它的規(guī)模往往不可能特別大，精力放在這里不太合適，放在通用語(yǔ)言模型上感覺(jué)更合理；再者，盡管 ULFMiT 實(shí)驗(yàn)做了 6 個(gè)任務(wù)，但是都集中在分類問(wèn)題相對(duì)比較窄，不如 ELMO 驗(yàn)證的問(wèn)題領(lǐng)域廣，我覺(jué)得這就是因?yàn)榈诙侥莻€(gè)領(lǐng)域語(yǔ)言模型帶來(lái)的限制。所以綜合看，盡管 ULFMiT 也是個(gè)不錯(cuò)的工作，但是重要性跟 ELMO 比至少還是要差一檔，當(dāng)然這是我個(gè)人看法。

每個(gè)人的學(xué)術(shù)審美口味不同，我個(gè)人一直比較贊賞要么簡(jiǎn)潔有效體現(xiàn)問(wèn)題本質(zhì)要么思想特別游離現(xiàn)有框架腦洞開(kāi)得異常大的工作，所以 ULFMiT 我看論文的時(shí)候就感覺(jué)看著有點(diǎn)難受，覺(jué)得這工作沒(méi)抓住重點(diǎn)而且特別麻煩，但是看 ELMO 論文感覺(jué)就賞心悅目，覺(jué)得思路特別清晰順暢，看完暗暗點(diǎn)贊，心里說(shuō)這樣的文章獲得 NAACL2018 最佳論文當(dāng)之無(wú)愧，比 ACL 很多最佳論文也好得不是一點(diǎn)半點(diǎn)，這就是好工作帶給一個(gè)有經(jīng)驗(yàn)人士的一種在讀論文時(shí)候就能產(chǎn)生的本能的感覺(jué)，也就是所謂的這道菜對(duì)上了食客的審美口味。

前面我們提到靜態(tài) Word Embedding 無(wú)法解決多義詞的問(wèn)題，那么 ELMO 引入上下文動(dòng)態(tài)調(diào)整單詞的 embedding 后多義詞問(wèn)題解決了嗎？解決了，而且比我們期待的解決得還要好。

上圖給了個(gè)例子，對(duì)于 Glove 訓(xùn)練出的 Word Embedding 來(lái)說(shuō)，多義詞比如 play，根據(jù)它的 embedding 找出的最接近的其它單詞大多數(shù)集中在體育領(lǐng)域，這很明顯是因?yàn)橛?xùn)練數(shù)據(jù)中包含 play 的句子中體育領(lǐng)域的數(shù)量明顯占優(yōu)導(dǎo)致；而使用 ELMO，根據(jù)上下文動(dòng)態(tài)調(diào)整后的 embedding 不僅能夠找出對(duì)應(yīng)的「演出」的相同語(yǔ)義的句子，而且還可以保證找出的句子中的 play 對(duì)應(yīng)的詞性也是相同的，這是超出期待之處。之所以會(huì)這樣，是因?yàn)槲覀兩厦嫣岬竭^(guò)，第一層 LSTM 編碼了很多句法信息，這在這里起到了重要作用。

ELMO 經(jīng)過(guò)這般操作，效果如何呢？實(shí)驗(yàn)效果見(jiàn)上圖，6 個(gè) NLP 任務(wù)中性能都有幅度不同的提升，最高的提升達(dá)到 25% 左右，而且這 6 個(gè)任務(wù)的覆蓋范圍比較廣，包含句子語(yǔ)義關(guān)系判斷，分類任務(wù)，閱讀理解等多個(gè)領(lǐng)域，這說(shuō)明其適用范圍是非常廣的，普適性強(qiáng)，這是一個(gè)非常好的優(yōu)點(diǎn)。

那么站在現(xiàn)在這個(gè)時(shí)間節(jié)點(diǎn)看，ELMO 有什么值得改進(jìn)的缺點(diǎn)呢？首先，一個(gè)非常明顯的缺點(diǎn)在特征抽取器選擇方面，ELMO 使用了 LSTM 而不是新貴 Transformer，Transformer 是谷歌在 17 年做機(jī)器翻譯任務(wù)的“Attention is all you need”的論文中提出的，引起了相當(dāng)大的反響，很多研究已經(jīng)證明了 Transformer 提取特征的能力是要遠(yuǎn)強(qiáng)于 LSTM 的。如果 ELMO 采取 Transformer 作為特征提取器，那么估計(jì) Bert 的反響遠(yuǎn)不如現(xiàn)在的這種火爆場(chǎng)面。另外一點(diǎn)，ELMO 采取雙向拼接這種融合特征的能力可能比 Bert 一體化的融合特征方式弱，但是，這只是一種從道理推斷產(chǎn)生的懷疑，目前并沒(méi)有具體實(shí)驗(yàn)說(shuō)明這一點(diǎn)。

我們?nèi)绻?ELMO 這種預(yù)訓(xùn)練方法和圖像領(lǐng)域的預(yù)訓(xùn)練方法對(duì)比，發(fā)現(xiàn)兩者模式看上去還是有很大差異的。除了以 ELMO 為代表的這種基于特征融合的預(yù)訓(xùn)練方法外，NLP 里還有一種典型做法，這種做法和圖像領(lǐng)域的方式就是看上去一致的了，一般將這種方法稱為“基于 Fine-tuning 的模式”，而 GPT 就是這一模式的典型開(kāi)創(chuàng)者。

GPT 是“Generative Pre-Training”的簡(jiǎn)稱，從名字看其含義是指的生成式的預(yù)訓(xùn)練。GPT 也采用兩階段過(guò)程，第一個(gè)階段是利用語(yǔ)言模型進(jìn)行預(yù)訓(xùn)練，第二階段通過(guò) Fine-tuning 的模式解決下游任務(wù)。上圖展示了 GPT 的預(yù)訓(xùn)練過(guò)程，其實(shí)和 ELMO 是類似的，主要不同在于兩點(diǎn)：

首先，特征抽取器不是用的 RNN，而是用的 Transformer，上面提到過(guò)它的特征抽取能力要強(qiáng)于 RNN，這個(gè)選擇很明顯是很明智的；

其次，GPT 的預(yù)訓(xùn)練雖然仍然是以語(yǔ)言模型作為目標(biāo)任務(wù)，但是采用的是單向的語(yǔ)言模型，所謂“單向”的含義是指：語(yǔ)言模型訓(xùn)練的任務(wù)目標(biāo)是根據(jù)單詞的上下文去正確預(yù)測(cè)單詞，之前的單詞序列 Context-before 稱為上文，之后的單詞序列 Context-after 稱為下文。ELMO 在做語(yǔ)言模型預(yù)訓(xùn)練的時(shí)候，預(yù)測(cè)單詞同時(shí)使用了上文和下文，而 GPT 則只采用 Context-before 這個(gè)單詞的上文來(lái)進(jìn)行預(yù)測(cè)，而拋開(kāi)了下文。

這個(gè)選擇現(xiàn)在看不是個(gè)太好的選擇，原因很簡(jiǎn)單，它沒(méi)有把單詞的下文融合進(jìn)來(lái)，這限制了其在更多應(yīng)用場(chǎng)景的效果，比如閱讀理解這種任務(wù)，在做任務(wù)的時(shí)候是可以允許同時(shí)看到上文和下文一起做決策的。如果預(yù)訓(xùn)練時(shí)候不把單詞的下文嵌入到 Word Embedding 中，是很吃虧的，白白丟掉了很多信息。

這里強(qiáng)行插入一段簡(jiǎn)單提下 Transformer，盡管上面提到了，但是說(shuō)的還不完整，補(bǔ)充兩句。首先，Transformer 是個(gè)疊加的“自注意力機(jī)制（Self Attention）”構(gòu)成的深度網(wǎng)絡(luò)，是目前 NLP 里最強(qiáng)的特征提取器，注意力這個(gè)機(jī)制在此被發(fā)揚(yáng)光大，從任務(wù)的配角不斷搶戲，直到 Transformer 一躍成為踢開(kāi) RNN 和 CNN 傳統(tǒng)特征提取器，榮升頭牌，大紅大紫。你問(wèn)了：什么是注意力機(jī)制？這里再插個(gè)廣告，對(duì)注意力不了解的可以參考鄙人 16 年出品 17 年修正的下文：“深度學(xué)習(xí)中的注意力模型”，補(bǔ)充下相關(guān)基礎(chǔ)知識(shí)，如果不了解注意力機(jī)制你肯定會(huì)落后時(shí)代的發(fā)展。而介紹 Transformer 比較好的文章可以參考哈佛大學(xué) NLP 研究組寫的“The Annotated Transformer.?”，代碼原理雙管齊下，講得非常清楚，這里不展開(kāi)介紹。

其次，我的判斷是 Transformer 在未來(lái)會(huì)逐漸替代掉 RNN 成為主流的 NLP 工具，RNN 一直受困于其并行計(jì)算能力，這是因?yàn)樗旧斫Y(jié)構(gòu)的序列性依賴導(dǎo)致的，盡管很多人在試圖通過(guò)修正 RNN 結(jié)構(gòu)來(lái)修正這一點(diǎn)，但是我不看好這種模式，因?yàn)榻o馬車換輪胎不如把它升級(jí)到汽車，這個(gè)道理很好懂，更何況目前汽車的雛形已經(jīng)出現(xiàn)了，干嘛還要執(zhí)著在換輪胎這個(gè)事情呢？是吧？再說(shuō) CNN，CNN 在 NLP 里一直沒(méi)有形成主流，CNN 的最大優(yōu)點(diǎn)是易于做并行計(jì)算，所以速度快，但是在捕獲 NLP 的序列關(guān)系尤其是長(zhǎng)距離特征方面天然有缺陷，不是做不到而是做不好，目前也有很多改進(jìn)模型，但是特別成功的不多。綜合各方面情況，很明顯 Transformer 同時(shí)具備并行性好，又適合捕獲長(zhǎng)距離特征，沒(méi)有理由不在賽跑比賽中跑不過(guò) RNN 和 CNN。

好了，題外話結(jié)束，我們?cè)倩氐街黝}，接著說(shuō) GPT。上面講的是 GPT 如何進(jìn)行第一階段的預(yù)訓(xùn)練，那么假設(shè)預(yù)訓(xùn)練好了網(wǎng)絡(luò)模型，后面下游任務(wù)怎么用？它有自己的個(gè)性，和 ELMO 的方式大有不同。

上圖展示了 GPT 在第二階段如何使用。首先，對(duì)于不同的下游任務(wù)來(lái)說(shuō)，本來(lái)你可以任意設(shè)計(jì)自己的網(wǎng)絡(luò)結(jié)構(gòu)，現(xiàn)在不行了，你要向 GPT 的網(wǎng)絡(luò)結(jié)構(gòu)看齊，把任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)改造成和 GPT 的網(wǎng)絡(luò)結(jié)構(gòu)是一樣的。然后，在做下游任務(wù)的時(shí)候，利用第一步預(yù)訓(xùn)練好的參數(shù)初始化 GPT 的網(wǎng)絡(luò)結(jié)構(gòu)，這樣通過(guò)預(yù)訓(xùn)練學(xué)到的語(yǔ)言學(xué)知識(shí)就被引入到你手頭的任務(wù)里來(lái)了，這是個(gè)非常好的事情。再次，你可以用手頭的任務(wù)去訓(xùn)練這個(gè)網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行 Fine-tuning，使得這個(gè)網(wǎng)絡(luò)更適合解決手頭的問(wèn)題。就是這樣?？吹搅嗣?？這有沒(méi)有讓你想起最開(kāi)始提到的圖像領(lǐng)域如何做預(yù)訓(xùn)練的過(guò)程（請(qǐng)參考上圖那句非常容易暴露年齡的歌詞）？對(duì)，這跟那個(gè)模式是一模一樣的。

這里引入了一個(gè)新問(wèn)題：對(duì)于 NLP 各種花樣的不同任務(wù)，怎么改造才能靠近 GPT 的網(wǎng)絡(luò)結(jié)構(gòu)呢？

GPT 論文給了一個(gè)改造施工圖如上，其實(shí)也很簡(jiǎn)單：對(duì)于分類問(wèn)題，不用怎么動(dòng)，加上一個(gè)起始和終結(jié)符號(hào)即可；對(duì)于句子關(guān)系判斷問(wèn)題，比如 Entailment，兩個(gè)句子中間再加個(gè)分隔符即可；對(duì)文本相似性判斷問(wèn)題，把兩個(gè)句子順序顛倒下做出兩個(gè)輸入即可，這是為了告訴模型句子順序不重要；對(duì)于多項(xiàng)選擇問(wèn)題，則多路輸入，每一路把文章和答案選項(xiàng)拼接作為輸入即可。從上圖可看出，這種改造還是很方便的，不同任務(wù)只需要在輸入部分施工即可。

GPT 的效果是非常令人驚艷的，在 12 個(gè)任務(wù)里，9 個(gè)達(dá)到了最好的效果，有些任務(wù)性能提升非常明顯。

那么站在現(xiàn)在的時(shí)間節(jié)點(diǎn)看，GPT 有什么值得改進(jìn)的地方呢？其實(shí)最主要的就是那個(gè)單向語(yǔ)言模型，如果改造成雙向的語(yǔ)言模型任務(wù)估計(jì)也沒(méi)有 Bert 太多事了。當(dāng)然，即使如此 GPT 也是非常非常好的一個(gè)工作，跟 Bert 比，其作者炒作能力亟待提升。

我們經(jīng)過(guò)跋山涉水，終于到了目的地 Bert 模型了。

Bert 采用和 GPT 完全相同的兩階段模型，首先是語(yǔ)言模型預(yù)訓(xùn)練；其次是使用 Fine-Tuning 模式解決下游任務(wù)。和 GPT 的最主要不同在于在預(yù)訓(xùn)練階段采用了類似 ELMO 的雙向語(yǔ)言模型，當(dāng)然另外一點(diǎn)是語(yǔ)言模型的數(shù)據(jù)規(guī)模要比 GPT 大。所以這里 Bert 的預(yù)訓(xùn)練過(guò)程不必多講了。

第二階段，F(xiàn)ine-Tuning 階段，這個(gè)階段的做法和 GPT 是一樣的。當(dāng)然，它也面臨著下游任務(wù)網(wǎng)絡(luò)結(jié)構(gòu)改造的問(wèn)題，在改造任務(wù)方面 Bert 和 GPT 有些不同，下面簡(jiǎn)單介紹一下。

在介紹 Bert 如何改造下游任務(wù)之前，先大致說(shuō)下 NLP 的幾類問(wèn)題，說(shuō)這個(gè)是為了強(qiáng)調(diào) Bert 的普適性有多強(qiáng)。通常而言，絕大部分 NLP 問(wèn)題可以歸入上圖所示的四類任務(wù)中：

• 一類是序列標(biāo)注，這是最典型的 NLP 任務(wù)，比如中文分詞，詞性標(biāo)注，命名實(shí)體識(shí)別，語(yǔ)義角色標(biāo)注等都可以歸入這一類問(wèn)題，它的特點(diǎn)是句子中每個(gè)單詞要求模型根據(jù)上下文都要給出一個(gè)分類類別。

• 第二類是分類任務(wù)，比如我們常見(jiàn)的文本分類，情感計(jì)算等都可以歸入這一類。它的特點(diǎn)是不管文章有多長(zhǎng)，總體給出一個(gè)分類類別即可。

• 第三類任務(wù)是句子關(guān)系判斷，比如 Entailment，QA，語(yǔ)義改寫，自然語(yǔ)言推理等任務(wù)都是這個(gè)模式，它的特點(diǎn)是給定兩個(gè)句子，模型判斷出兩個(gè)句子是否具備某種語(yǔ)義關(guān)系。

• 第四類是生成式任務(wù)，比如機(jī)器翻譯，文本摘要，寫詩(shī)造句，看圖說(shuō)話等都屬于這一類。它的特點(diǎn)是輸入文本內(nèi)容后，需要自主生成另外一段文字。

對(duì)于種類如此繁多而且各具特點(diǎn)的下游 NLP 任務(wù)，Bert 如何改造輸入輸出部分使得大部分 NLP 任務(wù)都可以使用 Bert 預(yù)訓(xùn)練好的模型參數(shù)呢？

上圖給出示例，對(duì)于句子關(guān)系類任務(wù)，很簡(jiǎn)單，和 GPT 類似，加上一個(gè)起始和終結(jié)符號(hào)，句子之間加個(gè)分隔符即可。對(duì)于輸出來(lái)說(shuō)，把第一個(gè)起始符號(hào)對(duì)應(yīng)的 Transformer 最后一層位置上面串接一個(gè) softmax 分類層即可。對(duì)于分類問(wèn)題，與 GPT 一樣，只需要增加起始和終結(jié)符號(hào)，輸出部分和句子關(guān)系判斷任務(wù)類似改造；對(duì)于序列標(biāo)注問(wèn)題，輸入部分和單句分類是一樣的，只需要輸出部分 Transformer 最后一層每個(gè)單詞對(duì)應(yīng)位置都進(jìn)行分類即可。從這里可以看出，上面列出的 NLP 四大任務(wù)里面，除了生成類任務(wù)外，Bert 其它都覆蓋到了，而且改造起來(lái)很簡(jiǎn)單直觀。

盡管 Bert 論文沒(méi)有提，但是稍微動(dòng)動(dòng)腦子就可以想到，其實(shí)對(duì)于機(jī)器翻譯或者文本摘要，聊天機(jī)器人這種生成式任務(wù)，同樣可以稍作改造即可引入 Bert 的預(yù)訓(xùn)練成果。只需要附著在 S2S 結(jié)構(gòu)上，encoder 部分是個(gè)深度 Transformer 結(jié)構(gòu)，decoder 部分也是個(gè)深度 Transformer 結(jié)構(gòu)。根據(jù)任務(wù)選擇不同的預(yù)訓(xùn)練數(shù)據(jù)初始化 encoder 和 decoder 即可。這是相當(dāng)直觀的一種改造方法。當(dāng)然，也可以更簡(jiǎn)單一點(diǎn)，比如直接在單個(gè) Transformer 結(jié)構(gòu)上加裝隱層產(chǎn)生輸出也是可以的。

不論如何，從這里可以看出，NLP 四大類任務(wù)都可以比較方便地改造成 Bert 能夠接受的方式。這其實(shí)是 Bert 的非常大的優(yōu)點(diǎn)，這意味著它幾乎可以做任何 NLP 的下游任務(wù)，具備普適性，這是很強(qiáng)的。

Bert 采用這種兩階段方式解決各種 NLP 任務(wù)效果如何？在 11 個(gè)各種類型的 NLP 任務(wù)中達(dá)到目前最好的效果，某些任務(wù)性能有極大的提升。一個(gè)新模型好不好，效果才是王道。

到這里我們可以再梳理下幾個(gè)模型之間的演進(jìn)關(guān)系。從上圖可見(jiàn)，Bert 其實(shí)和 ELMO 及 GPT 存在千絲萬(wàn)縷的關(guān)系，比如如果我們把 GPT 預(yù)訓(xùn)練階段換成雙向語(yǔ)言模型，那么就得到了 Bert；而如果我們把 ELMO 的特征抽取器換成 Transformer，那么我們也會(huì)得到 Bert。所以你可以看出：Bert 最關(guān)鍵兩點(diǎn)，一點(diǎn)是特征抽取器采用 Transformer；第二點(diǎn)是預(yù)訓(xùn)練的時(shí)候采用雙向語(yǔ)言模型。

那么新問(wèn)題來(lái)了：對(duì)于 Transformer 來(lái)說(shuō)，怎么才能在這個(gè)結(jié)構(gòu)上做雙向語(yǔ)言模型任務(wù)呢？

乍一看上去好像不太好搞。我覺(jué)得吧，其實(shí)有一種很直觀的思路，怎么辦？看看 ELMO 的網(wǎng)絡(luò)結(jié)構(gòu)圖，只需要把兩個(gè) LSTM 替換成兩個(gè) Transformer，一個(gè)負(fù)責(zé)正向，一個(gè)負(fù)責(zé)反向特征提取，其實(shí)應(yīng)該就可以。當(dāng)然這是我自己的改造，Bert 沒(méi)這么做。那么 Bert 是怎么做的呢？我們前面不是提過(guò) Word2Vec 嗎？我前面肯定不是漫無(wú)目的地提到它，提它是為了在這里引出那個(gè) CBOW 訓(xùn)練方法，所謂寫作時(shí)候埋伏筆的「草蛇灰線，伏脈千里」，大概就是這個(gè)意思吧？

前面提到了 CBOW 方法，它的核心思想是：在做語(yǔ)言模型任務(wù)的時(shí)候，我把要預(yù)測(cè)的單詞摳掉，然后根據(jù)它的上文 Context-Before 和下文 Context-after 去預(yù)測(cè)單詞。其實(shí) Bert 怎么做的？Bert 就是這么做的。從這里可以看到方法間的繼承關(guān)系。當(dāng)然 Bert 作者沒(méi)提 Word2Vec 及 CBOW 方法，這是我的判斷，Bert 作者說(shuō)是受到完形填空任務(wù)的啟發(fā)，這也很可能，但是我覺(jué)得他們要是沒(méi)想到過(guò) CBOW 估計(jì)是不太可能的。

從這里可以看出，在文章開(kāi)始我說(shuō)過(guò) Bert 在模型方面其實(shí)沒(méi)有太大創(chuàng)新，更像一個(gè)最近幾年 NLP 重要技術(shù)的集大成者，原因在于此，當(dāng)然我不確定你怎么看，是否認(rèn)同這種看法，而且我也不關(guān)心你怎么看。其實(shí) Bert 本身的效果好和普適性強(qiáng)才是最大的亮點(diǎn)。

那么 Bert 本身在模型和方法角度有什么創(chuàng)新呢？就是論文中指出的 Masked 語(yǔ)言模型和 Next Sentence Prediction。而 Masked 語(yǔ)言模型上面講了，本質(zhì)思想其實(shí)是 CBOW，但是細(xì)節(jié)方面有改進(jìn)。

Masked 雙向語(yǔ)言模型向上圖展示這么做：隨機(jī)選擇語(yǔ)料中 15% 的單詞，把它摳掉，也就是用 [Mask] 掩碼代替原始單詞，然后要求模型去正確預(yù)測(cè)被摳掉的單詞。但是這里有個(gè)問(wèn)題：訓(xùn)練過(guò)程大量看到 [mask] 標(biāo)記，但是真正后面用的時(shí)候是不會(huì)有這個(gè)標(biāo)記的，這會(huì)引導(dǎo)模型認(rèn)為輸出是針對(duì) [mask] 這個(gè)標(biāo)記的，但是實(shí)際使用又見(jiàn)不到這個(gè)標(biāo)記，這自然會(huì)有問(wèn)題。

為了避免這個(gè)問(wèn)題，Bert 改造了一下，15% 的被上天選中要執(zhí)行 [mask] 替身這項(xiàng)光榮任務(wù)的單詞中，只有 80% 真正被替換成 [mask] 標(biāo)記，10% 被貍貓換太子隨機(jī)替換成另外一個(gè)單詞，10% 情況這個(gè)單詞還待在原地不做改動(dòng)。這就是 Masked 雙向語(yǔ)音模型的具體做法。

至于說(shuō)“Next Sentence Prediction”，指的是做語(yǔ)言模型預(yù)訓(xùn)練的時(shí)候，分兩種情況選擇兩個(gè)句子，一種是選擇語(yǔ)料中真正順序相連的兩個(gè)句子；另外一種是第二個(gè)句子從語(yǔ)料庫(kù)中拋色子，隨機(jī)選擇一個(gè)拼到第一個(gè)句子后面。我們要求模型除了做上述的 Masked 語(yǔ)言模型任務(wù)外，附帶再做個(gè)句子關(guān)系預(yù)測(cè)，判斷第二個(gè)句子是不是真的是第一個(gè)句子的后續(xù)句子。

之所以這么做，是考慮到很多 NLP 任務(wù)是句子關(guān)系判斷任務(wù)，單詞預(yù)測(cè)粒度的訓(xùn)練到不了句子關(guān)系這個(gè)層級(jí)，增加這個(gè)任務(wù)有助于下游句子關(guān)系判斷任務(wù)。所以可以看到，它的預(yù)訓(xùn)練是個(gè)多任務(wù)過(guò)程。這也是 Bert 的一個(gè)創(chuàng)新。

上面這個(gè)圖給出了一個(gè)我們此前利用微博數(shù)據(jù)和開(kāi)源的 Bert 做預(yù)訓(xùn)練時(shí)隨機(jī)抽出的一個(gè)中文訓(xùn)練實(shí)例，從中可以體會(huì)下上面講的 masked 語(yǔ)言模型和下句預(yù)測(cè)任務(wù)。訓(xùn)練數(shù)據(jù)就長(zhǎng)這種樣子。

順帶講解下 Bert 的輸入部分，也算是有些特色。它的輸入部分是個(gè)線性序列，兩個(gè)句子通過(guò)分隔符分割，最前面和最后增加兩個(gè)標(biāo)識(shí)符號(hào)。每個(gè)單詞有三個(gè) embedding：

• 位置信息 embedding，這是因?yàn)?NLP 中單詞順序是很重要的特征，需要在這里對(duì)位置信息進(jìn)行編碼；

• 單詞 embedding, 這個(gè)就是我們之前一直提到的單詞 embedding；

• 句子 embedding，因?yàn)榍懊嫣岬接?xùn)練數(shù)據(jù)都是由兩個(gè)句子構(gòu)成的，那么每個(gè)句子有個(gè)句子整體的 embedding 項(xiàng)對(duì)應(yīng)給每個(gè)單詞。把單詞對(duì)應(yīng)的三個(gè) embedding 疊加，就形成了 Bert 的輸入。

至于 Bert 在預(yù)訓(xùn)練的輸出部分如何組織，可以參考上圖的注釋。

我們說(shuō)過(guò) Bert 效果特別好，那么到底是什么因素起作用呢？如上圖所示，對(duì)比試驗(yàn)可以證明，跟 GPT 相比，雙向語(yǔ)言模型起到了最主要的作用，對(duì)于那些需要看到下文的任務(wù)來(lái)說(shuō)尤其如此。而預(yù)測(cè)下個(gè)句子來(lái)說(shuō)對(duì)整體性能來(lái)說(shuō)影響不算太大，跟具體任務(wù)關(guān)聯(lián)度比較高。

最后，我講講我對(duì) Bert 的評(píng)價(jià)和看法，我覺(jué)得 Bert 是 NLP 里里程碑式的工作，對(duì)于后面 NLP 的研究和工業(yè)應(yīng)用會(huì)產(chǎn)生長(zhǎng)久的影響，這點(diǎn)毫無(wú)疑問(wèn)。但是從上文介紹也可以看出，從模型或者方法角度看，Bert 借鑒了 ELMO，GPT 及 CBOW，主要提出了 Masked 語(yǔ)言模型及 Next Sentence Prediction，但是這里 Next Sentence Prediction 基本不影響大局，而 Masked LM 明顯借鑒了 CBOW 的思想。所以說(shuō) Bert 的模型沒(méi)什么大的創(chuàng)新，更像最近幾年 NLP 重要進(jìn)展的集大成者，這點(diǎn)如果你看懂了上文估計(jì)也沒(méi)有太大異議，如果你有大的異議，杠精這個(gè)大帽子我隨時(shí)準(zhǔn)備戴給你。如果歸納一下這些進(jìn)展就是：

• 首先是兩階段模型，第一階段雙向語(yǔ)言模型預(yù)訓(xùn)練，這里注意要用雙向而不是單向，第二階段采用具體任務(wù) Fine-tuning 或者做特征集成；

• 第二是特征抽取要用 Transformer 作為特征提取器而不是 RNN 或者 CNN；

• 第三，雙向語(yǔ)言模型可以采取 CBOW 的方法去做（當(dāng)然我覺(jué)得這個(gè)是個(gè)細(xì)節(jié)問(wèn)題，不算太關(guān)鍵，前兩個(gè)因素比較關(guān)鍵）。

Bert 最大的亮點(diǎn)在于效果好及普適性強(qiáng)，幾乎所有 NLP 任務(wù)都可以套用 Bert 這種兩階段解決思路，而且效果應(yīng)該會(huì)有明顯提升。可以預(yù)見(jiàn)的是，未來(lái)一段時(shí)間在 NLP 應(yīng)用領(lǐng)域，Transformer 將占據(jù)主導(dǎo)地位，而且這種兩階段預(yù)訓(xùn)練方法也會(huì)主導(dǎo)各種應(yīng)用。

另外，我們應(yīng)該弄清楚預(yù)訓(xùn)練這個(gè)過(guò)程本質(zhì)上是在做什么事情，本質(zhì)上預(yù)訓(xùn)練是通過(guò)設(shè)計(jì)好一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)做語(yǔ)言模型任務(wù)，然后把大量甚至是無(wú)窮盡的無(wú)標(biāo)注的自然語(yǔ)言文本利用起來(lái)，預(yù)訓(xùn)練任務(wù)把大量語(yǔ)言學(xué)知識(shí)抽取出來(lái)編碼到網(wǎng)絡(luò)結(jié)構(gòu)中，當(dāng)手頭任務(wù)帶有標(biāo)注信息的數(shù)據(jù)有限時(shí)，這些先驗(yàn)的語(yǔ)言學(xué)特征當(dāng)然會(huì)對(duì)手頭任務(wù)有極大的特征補(bǔ)充作用，因?yàn)楫?dāng)數(shù)據(jù)有限的時(shí)候，很多語(yǔ)言學(xué)現(xiàn)象是覆蓋不到的，泛化能力就弱，集成盡量通用的語(yǔ)言學(xué)知識(shí)自然會(huì)加強(qiáng)模型的泛化能力。

如何引入先驗(yàn)的語(yǔ)言學(xué)知識(shí)其實(shí)一直是 NLP 尤其是深度學(xué)習(xí)場(chǎng)景下的 NLP 的主要目標(biāo)之一，不過(guò)一直沒(méi)有太好的解決辦法，而 ELMO/GPT/Bert 的這種兩階段模式看起來(lái)無(wú)疑是解決這個(gè)問(wèn)題自然又簡(jiǎn)潔的方法，這也是這些方法的主要價(jià)值所在。

對(duì)于當(dāng)前 NLP 的發(fā)展方向，我個(gè)人覺(jué)得有兩點(diǎn)非常重要，一個(gè)是需要更強(qiáng)的特征抽取器，目前看 Transformer 會(huì)逐漸擔(dān)當(dāng)大任，但是肯定還是不夠強(qiáng)的，需要發(fā)展更強(qiáng)的特征抽取器；第二個(gè)就是如何優(yōu)雅地引入大量無(wú)監(jiān)督數(shù)據(jù)中包含的語(yǔ)言學(xué)知識(shí)，注意我這里強(qiáng)調(diào)地是優(yōu)雅，而不是引入，此前相當(dāng)多的工作試圖做各種語(yǔ)言學(xué)知識(shí)的嫁接或者引入，但是很多方法看著讓人牙疼，就是我說(shuō)的不優(yōu)雅。目前看預(yù)訓(xùn)練這種兩階段方法還是很有效的，也非常簡(jiǎn)潔，當(dāng)然后面肯定還會(huì)有更好的模型出現(xiàn)。

以上，這就是自然語(yǔ)言模型預(yù)訓(xùn)練的發(fā)展史。