一、资料整理
bert论文地址：BERT: Pre-training of Deep Bidirectional Transformers (arXiv)
参考视频：【BERT 论文逐段精读【论文精读】】 https://www.bilibili.com/video/BV1PL411M7eQ/?share_source=copy_web&vd_source=9fe9e3d550891e4a38f66eead88c8b40
二、学习笔记
标题
1.背景与贡献
背景：
BERT（Bidirectional Encoder Representations from Transformers）诞生前，NLP领域缺乏统一的深度预训练模型。ELMo（芝麻街系列文章）使用RNN结构且非端到端，GPT基于单向Transformer，无法捕捉双向上下文。
计算机视觉领域通过ImageNet预训练模型提升下游任务性能，而NLP领域需要类似突破。
核心贡献：
双向上下文建模：通过掩码语言模型（MLM）实现双向信息捕捉，解决了GPT单向性的限制。
通用预训练框架：模型仅需简单微调即可适配多种任务（如分类、问答），无需复杂结构调整。
规模化训练：验证了大模型（如BERT-Large）在大数据（BooksCorpus + Wikipedia）上的有效性，推动后续模型规模化趋势。
2. 模型架构
基础结构：
基于Transformer编码器，无解码器部分。（）
分两个版本：
BERT-Base：12层，768隐藏维度，12个注意力头（1.1亿参数）。
BERT-Large：24层，1024隐藏维度，16个注意力头（3.4亿参数）。
输入处理：
没有解码器部分，因此将两个句子合成一个序列输入到模型中。
Token嵌入：使用WordPiece分词（词的子序列，可理解成词根）（3万词表），解决未登录词问题。
位置嵌入：学习位置编码，替代Transformer的固定位置编码。
段嵌入：区分句子A和句子B（用于句子对任务）。
特殊标记：
[CLS]：用于分类任务的聚合表示。[SEP]：分隔句子对。[MASK]：预训练时掩盖部分Token。
3. 预训练任务
掩码语言模型（MLM）：
随机掩盖15%的Token，其中：
80%替换为
[MASK]。10%替换为随机Token。
10%保留原Token。
迫使模型利用双向上下文预测被掩盖的Token，解决预训练与微调输入不一致问题。
下一句预测（NSP）：
输入句子对（A+B），50%概率B为A的下一句，50%为随机句子。
目标：判断B是否为A的后续，提升句子关系建模能力（如问答、推理任务）。
4. 微调方法
适配不同任务：
单句分类（如情感分析）：取
[CLS]的输出向量加分类层。句子对任务（如推理）：拼接句子A+B，通过
[CLS]分类。序列标注（如NER）：对每个Token的输出向量分类。
问答任务（如SQuAD）：预测答案在文本中的起止位置。
训练细节：
微调耗时短（GPU数小时至一天），学习率较低（如5e-5），Batch Size较小（如32）。
所有参数参与微调，仅需添加任务特定输出层。
模型参数的计算（强烈推荐）
5. 实验结果
SOTA性能：
GLUE基准：平均提升7.7%，涵盖文本分类、相似度、推理等任务。
SQuAD问答：F1提升至93.2（v1.1）和83.1（v2.0）。
命名实体识别（CoNLL-2003）：F1达92.4。
消融实验：
移除NSP任务导致QA和推理任务性能显著下降。
单向模型（如GPT式）效果弱于双向结构。
大模型（BERT-Large）显著优于小模型，验证规模效应。
6. 影响
双向性的价值：MLM任务使模型捕获完整上下文，超越ELMo的双向LSTM拼接。
预训练范式革新：统一框架适配多任务，推动NLP进入“预训练+微调”时代。
局限与后续发展：
生成任务支持不足（需解码器结构），后续工作如BART、T5弥补。
模型规模持续扩大（如GPT-3），但BERT奠定了基础架构思想。
7. 启示
简单有效的设计：BERT成功源于对现有技术（Transformer、MLM）的巧妙整合，而非完全创新。
工程实践重要性：大规模训练（TPU集群）和数据处理（长文本序列）是关键支撑。
研究社区影响：开源模型和代码（https://github.com/google-research/bert）加速NLP应用与研究。
