顺德品牌网站建设,ajax实现wordpress导航栏,商品展示介绍网站源码,seo推广是什么工作本文的目的是为了帮助大家面试Bert#xff0c;会结合我的面试经历以及看法去讲解Bert#xff0c;并非完整的技术细致讲解#xff0c;介意请移步。 深入浅出】深入浅出Bert#xff08;附面试题#xff09; 网络结构Pre-TrainingFine-Tuning 输入编码词向量编码句子编码位置…本文的目的是为了帮助大家面试Bert会结合我的面试经历以及看法去讲解Bert并非完整的技术细致讲解介意请移步。 深入浅出】深入浅出Bert附面试题 网络结构Pre-TrainingFine-Tuning 输入编码词向量编码句子编码位置编码 面试题 提到Bert网络模型首先离不开的应该是Transformer网络由此引出第一个问题 Bert和Transformer有什么不同 结构不同 Bert网络网络结构是一个双向的Transformer网络Bert的双向结构使得每个单词能够同时看到句子前后的单词极大的增强了上下文理解的效果。Bert则仅使用了Transformer的编码器部分专注于双向上下文的语言理解任务 任务不同。与Transformer网络原用于翻译的任务不同Bert一开始只做了两种任务。 完形填空随机Masked一些单词用于推理缺失的单词句子推理判断前后两个句子是否有关联关系 Bert和同时期的GPT2后面会讲有什么不同 结构不同。Gpt2采用采用单向Transformer解码器架构。 场景不同。 双向上下文理解能力让BERT在自然语言理解NLU任务中表现出色适用于需要上下文理解和信息提取的任务例如问答、文本分类、命名实体识别等。 自回归文本生成架构的单向性使GPT-2擅长自然语言生成。
网络结构 观察这个网络结构可以发现Bert模型的训练是通过预训练和微调两部分组成的。这两部分分别是什么
Pre-Training Pre-Training阶段的作用 预训练阶段是一个无监督任务。在Bert模型中的预训练阶段中有15%的词语被换成了[MASK]。 在这15%中还有80%的内容被替换成[MASK]有10%是随机换一个词10%是不换的原文真这么写的有点烧脑是吧别急等我慢慢讲 替换成[MASK]比较好理解就是为了通过前后文关联来对[MASK]的内容进行预测进而更好的帮助模型理解语义信息。
**随机换成其他的token其实是为了增加模型的鲁棒性。**你想想大家使用GPT的时候每次提问的内容都是完全正确的吗会不会经常出现一些错别字什么的
Fine-Tuning Fine-Tuning是做什么的 Bert预训练好后他没有具体的任务。而现实生活中我们需要它去做具体的任务比如文本分类、问答系统、情感分析等因此需要微调bert使得模型在任务上表现得更好。 微调会保留BERT的预训练权重但在任务数据上继续训练并加上适应该任务的头部层output head这样Bert可以适用于特定的任务。 Fine-Tuning具体是怎么做的 分类任务将Bert的[CLS]标记输出嵌入向量接一个全连接层用于句子分类句子关系判断任务类似分类任务用[CLS]嵌入接全连接层输出句对关系序列标注任务如命名实体识别NERBert会针对每个token的输出都连接一个分类层预测每个token的标签。
不知道大家看着一段内容的时候有没有注意到有的任务是[CLS]而有的任务用的是每个token的输出 CLS标签在预测过程中是做什么的或者说使用Bert做句子分类任务和实体识别任务有什么不同高频问题 Bert在预训练时[CLS]标记被设计为整个句子或句对的表示它可以在微调过程中学习到句子的整体信息。因此CLS代表的是整个句子的全局向量将这个向量用于分类即可。 在Bert中每个token的输出代表其对应的上下文信息能够更精细地反映局部语义从而更适合逐个token的预测。使用每个token的输出模型可以为每个词单独生成标签或确定其在句中的位置。
输入编码 词向量编码
用于判断有没有被【mask】
吃饭了【mask】–》吃饭 了 【mask】–》[cls] 1 1 0 [seq]相当于三个token
句子编码
区分句子a 和 b**用在两个句子中间
这里不分词了啊麻烦。
今天天气怎么样很晴朗。
[cls] 0 0 0 0 0 0 0 0 [seq] 1 1 1 [seq]
位置编码
在最初训练的时候Bert随机赋值位置编码。Bert使用可训练的位置嵌入即位置编码和token的embedding一样作为模型参数的一部分在训练过程中被更新。用于表示每个token在序列中的位置定义每个位置的向量这些位置向量是可学习的。
面试题
好啦终于到这里了看看你学废了吗 Bert分为什么任务作用是什么 在参与损失函数的计算时参与计算的Token有哪些是全部的15%吗 只有被真正mask的才会参与计算。15%的80% 在实现损失函数的时候怎么确保那些填充padding的token不参与损失计算? 计算损失时将每个token中的损失值与mask位相乘确保填充位损失变成0。 Bert的优缺点有什么 Bert的三个Embedding为什么直接相加 BERT的三个EmbeddingToken Embedding、Position Embedding和Segment Embedding直接相加是因为它们分别表示输入信息的不同方面合并后形成了每个token的整体嵌入表示。
