【算法】Bert預訓練源碼閱讀

Bert預訓練源碼

主要代碼

地址：https://github.com/google-research/bert

1. create_pretraning_data.py：原始文件轉換為訓練數據格式
2. tokenization.py：漢字，單詞切分，復合詞處理，create_pretraning_data中調用
3. modeling.py: 模型結構
4. run_pretraing.py: 運行預訓練

tokenization.py

作用：句子切分，特殊符號處理。
主要類：BasicTokenizer, WordpieceTokenizer, FullTokenizer

1. BasicTokenizer.tokenize: 文本轉為unicode, 去除特殊符號，漢字前后加空格，按空格切分單詞，去掉文本重音，按標點符號切割單詞。最后生成一個list
2. WordpieceTokenizer.tokenize: 長度過長的單詞標記為UNK，復合詞切分，找不到的詞標記為UNK
3. FullTokenizer：先后調用BasicTokenizer和WordpieceTokenizer

create_pretraning_data.py

輸入：詞典， 原始文本(空行分割不同文章，一行一句)
輸出：訓練數據
作用：生成訓練數據，句子對組合，單詞mask等
入口函數main

1. 加載詞典，加載原始文本

2. create_training_instances
   讀取原始文本文件，做unicode轉換，中文，標點，特殊符號處理，空格切分，復合詞切分。轉換為[[[first doc first sentence],[first doc second sentence],[first doc third sentence]],[[second doc first sentence],[]],....] 這樣的結構
   去除空文章，文章順序打亂
   輸入的原始文本會重復使用dupe_factor次

3. 對每一篇文章生成訓練數據create_instances_from_document
   訓練語句長度限制max_seq_length，0.1的概率生成長度較小的訓練語句，增加魯棒性
   句子對(A,B)隨機組合
   對於一篇文章，按順序獲取n行句子，其長度總和限制為target_seq_length,
   隨機選取n行中的前m行作為A
   0.5的概率，B是n行中后面剩余的部分；其他情況，B是隨機選取的其他文章內容，開始位置是隨機的
   文章中沒有使用的部分繼續組合(A, B)
   添加CLS,SEP分隔符，生成句子向量
   對句子對中的單詞做隨機mask (create_masked_lm_predictions), 隨機取num_to_predict個單詞做mask，0.8的概率標記為MASK，0.1的概率標記為原始單詞，0.1的概率標記為隨機單詞
   封裝，句子對，句子id，是否為隨機下一句，mask的下標位置，mask對應的原始單詞

4. 訓練數據序列化，存入文件。單詞轉為id，句子長度不足的后面補0。

modeling.py

BertConfig: 配置
BertModel： 模型主體

建模主體過程：

1. 獲取詞向量 [batch_size, seq_length, embedding_size]
2. 添加句向量，添加位置向量，在最后一個維度上做歸一化，整體做dropout
3. transformer
   全連接映射 [B*F, embedding_size]->[B*F, N*H]
   \(dropout(softmax(QK^T))V\), 其中mask了原本沒有數據的部分
   全連接，dropout,殘差處理，歸一化，全連接，dropout，殘差處理，歸一化
   上述循環多層
   取最終[CLS]對應的向量做句向量

run_pretraining.py

作用：生成目標函數，加載已有參數，迭代訓練
主要函數：model_fn_builder

1. 評估mask單詞的預測准確性，整體loss為mask處預測對的分數的平均值
2. 評估next_sentence預測准確性，loss為預測對的概率值
3. 總損失為上面兩個損失相加