寫在前面

這是之前看BERT源碼時的筆記，現在同步到專欄裏~

注意，源碼閱讀系列需要提前對NLP相關知識有所瞭解，比如attention機制、transformer框架以及python和tensorflow

基礎等，關於BERT的原理不是本文的重點。

附上關於BERT的資料匯總：

BERT相關論文、文章和代碼資源匯總 | 我愛自然語言處理?

www.52nlp.cn

kaiyuan：芝麻街預處理?

zhuanlan.zhihu.com圖標Jiakui/awesome-bert?

github.com

今天要介紹的是BERT最主要的模型實現部分-----BertModel，代碼位於

√ modeling.py模塊

下面每部分內容代碼塊外為該模塊的大體作用說明，代碼塊內會有較為具體的注釋。如有解讀不正確，請務必指出~

1、配置類（BertConfig）

這部分代碼主要定義了BERT模型的一些默認參數，另外包括了一些文件處理函數。

class BertConfig(object):
"""BERT模型的配置類."""

def __init__(self,
vocab_size,
hidden_size=768,
num_hidden_layers=12,
num_attention_heads=12,
intermediate_size=3072,
hidden_act="gelu",
hidden_dropout_prob=0.1,
attention_probs_dropout_prob=0.1,
max_position_embeddings=512,
type_vocab_size=16,
initializer_range=0.02):

self.vocab_size = vocab_size
self.hidden_size = hidden_size
self.num_hidden_layers = num_hidden_layers
self.num_attention_heads = num_attention_heads
self.hidden_act = hidden_act
self.intermediate_size = intermediate_size
self.hidden_dropout_prob = hidden_dropout_prob
self.attention_probs_dropout_prob = attention_probs_dropout_prob
self.max_position_embeddings = max_position_embeddings
self.type_vocab_size = type_vocab_size
self.initializer_range = initializer_range

@classmethod
def from_dict(cls, json_object):
"""Constructs a `BertConfig` from a Python dictionary of parameters."""
config = BertConfig(vocab_size=None)
for (key, value) in six.iteritems(json_object):
config.__dict__[key] = value
return config

@classmethod
def from_json_file(cls, json_file):
"""Constructs a `BertConfig` from a json file of parameters."""
with tf.gfile.GFile(json_file, "r") as reader:
text = reader.read()
return cls.from_dict(json.loads(text))

def to_dict(self):
"""Serializes this instance to a Python dictionary."""
output = copy.deepcopy(self.__dict__)
return output

def to_json_string(self):
"""Serializes this instance to a JSON string."""
return json.dumps(self.to_dict(), indent=2, sort_keys=True) + "
"

參數具體含義

vocab_size：詞表大小

hidden_size：隱藏層神經元數num_hidden_layers：Transformer encoder中的隱藏層數num_attention_heads：multi-head attention 的head數intermediate_size：encoder的「中間」隱層神經元數（例如feed-forward layer）hidden_act：隱藏層激活函數hidden_dropout_prob：隱層dropout率

attention_probs_dropout_prob：注意力部分的dropout

max_position_embeddings：最大位置編碼type_vocab_size：token_type_ids的詞典大小initializer_range：truncated_normal_initializer初始化方法的stdev

這裡要注意一點，可能剛看的時候對type_vocab_size這個參數會有點不理解，其實就是在next sentence prediction任務裏的Segment A和 Segment B。在下載的bert_config.json文件裏也有說明，默認值應該為2。

參考這個Issue?

github.com

2、獲取詞向量（Embedding_lookup）

對於輸入word_ids，返回embedding table。可以選用one-hot或者tf.gather()

def embedding_lookup(input_ids, # word_id：【batch_size, seq_length】
vocab_size,
embedding_size=128,
initializer_range=0.02,
word_embedding_name="word_embeddings",
use_one_hot_embeddings=False):

# 該函數默認輸入的形狀為【batch_size, seq_length, input_num】
# 如果輸入為2D的【batch_size, seq_length】，則擴展到【batch_size, seq_length, 1】
if input_ids.shape.ndims == 2:
input_ids = tf.expand_dims(input_ids, axis=[-1])

embedding_table = tf.get_variable(
name=word_embedding_name,
shape=[vocab_size, embedding_size],
initializer=create_initializer(initializer_range))

flat_input_ids = tf.reshape(input_ids, [-1]) #【batch_size*seq_length*input_num】
if use_one_hot_embeddings:
one_hot_input_ids = tf.one_hot(flat_input_ids, depth=vocab_size)
output = tf.matmul(one_hot_input_ids, embedding_table)
else: # 按索引取值
output = tf.gather(embedding_table, flat_input_ids)

input_shape = get_shape_list(input_ids)

# output：[batch_size, seq_length, num_inputs]
# 轉成:[batch_size, seq_length, num_inputs*embedding_size]
output = tf.reshape(output,
input_shape[0:-1] + [input_shape[-1] * embedding_size])
return (output, embedding_table)

參數具體含義

input_ids：word id 【batch_size, seq_length】

vocab_size：embedding詞表embedding_size：embedding維度

initializer_range：embedding初始化範圍

word_embedding_name：embeddding table命名use_one_hot_embeddings：是否使用one-hotembeddingReturn：【batch_size, seq_length, embedding_size】

3、詞向量的後續處理（embedding_postprocessor）

我們知道BERT模型的輸入有三部分：token embedding ，segment embedding以及position embedding。上一節中我們只獲得了token embedding，這部分代碼對其完善信息，正則化，dropout之後輸出最終embedding。

注意，在Transformer論文中的position embedding是由sin/cos函數生成的固定的值，而在這裡代碼實現中是跟普通word embedding一樣隨機生成的，可以訓練的。作者這裡這樣選擇的原因可能是BERT訓練的數據比Transformer那篇大很多，完全可以讓模型自己去學習。

def embedding_postprocessor(input_tensor, # [batch_size, seq_length, embedding_size]
use_token_type=False,
token_type_ids=None,
token_type_vocab_size=16, # 一般是2
token_type_embedding_name="token_type_embeddings",
use_position_embeddings=True,
position_embedding_name="position_embeddings",
initializer_range=0.02,
max_position_embeddings=512, #最大位置編碼，必須大於等於max_seq_len
dropout_prob=0.1):

input_shape = get_shape_list(input_tensor, expected_rank=3) #【batch_size,seq_length,embedding_size】
batch_size = input_shape[0]
seq_length = input_shape[1]
width = input_shape[2]

output = input_tensor

# Segment position信息
if use_token_type:
if token_type_ids is None:
raise ValueError("`token_type_ids` must be specified if"
"`use_token_type` is True.")
token_type_table = tf.get_variable(
name=token_type_embedding_name,
shape=[token_type_vocab_size, width],
initializer=create_initializer(initializer_range))
# 由於token-type-table比較小，所以這裡採用one-hot的embedding方式加速
flat_token_type_ids = tf.reshape(token_type_ids, [-1])
one_hot_ids = tf.one_hot(flat_token_type_ids, depth=token_type_vocab_size)
token_type_embeddings = tf.matmul(one_hot_ids, token_type_table)
token_type_embeddings = tf.reshape(token_type_embeddings,
[batch_size, seq_length, width])
output += token_type_embeddings

# Position embedding信息
if use_position_embeddings:
# 確保seq_length小於等於max_position_embeddings
assert_op = tf.assert_less_equal(seq_length, max_position_embeddings)
with tf.control_dependencies([assert_op]):
full_position_embeddings = tf.get_variable(
name=position_embedding_name,
shape=[max_position_embeddings, width],
initializer=create_initializer(initializer_range))

# 這裡position embedding是可學習的參數，[max_position_embeddings, width]
# 但是通常實際輸入序列沒有達到max_position_embeddings
# 所以為了提高訓練速度，使用tf.slice取出句子長度的embedding
position_embeddings = tf.slice(full_position_embeddings, [0, 0],
[seq_length, -1])
num_dims = len(output.shape.as_list())

# word embedding之後的tensor是[batch_size, seq_length, width]
# 因為位置編碼是與輸入內容無關，它的shape總是[seq_length, width]
# 我們無法把位置Embedding加到word embedding上
# 因此我們需要擴展位置編碼為[1, seq_length, width]
# 然後就能通過broadcasting加上去了。
position_broadcast_shape = []
for _ in range(num_dims - 2):
position_broadcast_shape.append(1)
position_broadcast_shape.extend([seq_length, width])
position_embeddings = tf.reshape(position_embeddings,
position_broadcast_shape)
output += position_embeddings

output = layer_norm_and_dropout(output, dropout_prob)
return output

4、構造attention_mask

該部分代碼的作用是構造attention可視域的attention_mask，因為每個樣本都經過padding過程，在做self-attention的時候padding的部分不能attend到其他部分上。

輸入為形狀為【batch_size, from_seq_length,…】的padding好的input_ids和形狀為【batch_size, to_seq_length】的mask標記向量。

def create_attention_mask_from_input_mask(from_tensor, to_mask):
from_shape = get_shape_list(from_tensor, expected_rank=[2, 3])
batch_size = from_shape[0]
from_seq_length = from_shape[1]

to_shape = get_shape_list(to_mask, expected_rank=2)
to_seq_length = to_shape[1]

to_mask = tf.cast(
tf.reshape(to_mask, [batch_size, 1, to_seq_length]), tf.float32)

broadcast_ones = tf.ones(
shape=[batch_size, from_seq_length, 1], dtype=tf.float32)

mask = broadcast_ones * to_mask

return mask

5、注意力層（attention layer）

這部分代碼是multi-head attention的實現，主要來自《Attention is all you need》這篇論文。考慮key-query-value形式的attention，輸入的from_tensor當做是query， to_tensor當做是key和value，當兩者相同的時候即為self-attention。關於attention更詳細的介紹可以轉到理解Attention機制原理及模型。

def attention_layer(from_tensor, # 【batch_size, from_seq_length, from_width】
to_tensor, #【batch_size, to_seq_length, to_width】
attention_mask=None, #【batch_size,from_seq_length, to_seq_length】
num_attention_heads=1, # attention head numbers
size_per_head=512, # 每個head的大小
query_act=None, # query變換的激活函數
key_act=None, # key變換的激活函數
value_act=None, # value變換的激活函數
attention_probs_dropout_prob=0.0, # attention層的dropout
initializer_range=0.02, # 初始化取值範圍
do_return_2d_tensor=False, # 是否返回2d張量。
#如果True，輸出形狀【batch_size*from_seq_length,num_attention_heads*size_per_head】
#如果False，輸出形狀【batch_size, from_seq_length, num_attention_heads*size_per_head】
batch_size=None, #如果輸入是3D的，
#那麼batch就是第一維，但是可能3D的壓縮成了2D的，所以需要告訴函數batch_size
from_seq_length=None, # 同上
to_seq_length=None): # 同上

def transpose_for_scores(input_tensor, batch_size, num_attention_heads,
seq_length, width):
output_tensor = tf.reshape(
input_tensor, [batch_size, seq_length, num_attention_heads, width])

output_tensor = tf.transpose(output_tensor, [0, 2, 1, 3]) #[batch_size, num_attention_heads, seq_length, width]
return output_tensor

from_shape = get_shape_list(from_tensor, expected_rank=[2, 3])
to_shape = get_shape_list(to_tensor, expected_rank=[2, 3])

if len(from_shape) != len(to_shape):
raise ValueError(
"The rank of `from_tensor` must match the rank of `to_tensor`.")

if len(from_shape) == 3:
batch_size = from_shape[0]
from_seq_length = from_shape[1]
to_seq_length = to_shape[1]
elif len(from_shape) == 2:
if (batch_size is None or from_seq_length is None or to_seq_length is None):
raise ValueError(
"When passing in rank 2 tensors to attention_layer, the values "
"for `batch_size`, `from_seq_length`, and `to_seq_length` "
"must all be specified.")

# 為了方便備註shape，採用以下簡寫:
# B = batch size (number of sequences)
# F = `from_tensor` sequence length
# T = `to_tensor` sequence length
# N = `num_attention_heads`
# H = `size_per_head`

# 把from_tensor和to_tensor壓縮成2D張量
from_tensor_2d = reshape_to_matrix(from_tensor) # 【B*F, hidden_size】
to_tensor_2d = reshape_to_matrix(to_tensor) # 【B*T, hidden_size】

# 將from_tensor輸入全連接層得到query_layer
# `query_layer` = [B*F, N*H]
query_layer = tf.layers.dense(
from_tensor_2d,
num_attention_heads * size_per_head,
activation=query_act,
name="query",
kernel_initializer=create_initializer(initializer_range))

# 將from_tensor輸入全連接層得到query_layer
# `key_layer` = [B*T, N*H]
key_layer = tf.layers.dense(
to_tensor_2d,
num_attention_heads * size_per_head,
activation=key_act,
name="key",
kernel_initializer=create_initializer(initializer_range))

# 同上
# `value_layer` = [B*T, N*H]
value_layer = tf.layers.dense(
to_tensor_2d,
num_attention_heads * size_per_head,
activation=value_act,
name="value",
kernel_initializer=create_initializer(initializer_range))

# query_layer轉成多頭：[B*F, N*H]==>[B, F, N, H]==>[B, N, F, H]
query_layer = transpose_for_scores(query_layer, batch_size,
num_attention_heads, from_seq_length,
size_per_head)

# key_layer轉成多頭：[B*T, N*H] ==> [B, T, N, H] ==> [B, N, T, H]
key_layer = transpose_for_scores(key_layer, batch_size, num_attention_heads,
to_seq_length, size_per_head)

# 將query與key做點積，然後做一個scale，公式可以參見原始論文
# `attention_scores` = [B, N, F, T]
attention_scores = tf.matmul(query_layer, key_layer, transpose_b=True)
attention_scores = tf.multiply(attention_scores,
1.0 / math.sqrt(float(size_per_head)))

if attention_mask is not None:
# `attention_mask` = [B, 1, F, T]
attention_mask = tf.expand_dims(attention_mask, axis=[1])

# 如果attention_mask裏的元素為1，則通過下面運算有（1-1）*-10000，adder就是0
# 如果attention_mask裏的元素為0，則通過下面運算有（1-0）*-10000，adder就是-10000
adder = (1.0 - tf.cast(attention_mask, tf.float32)) * -10000.0

# 我們最終得到的attention_score一般不會很大，
#所以上述操作對mask為0的地方得到的score可以認為是負無窮
attention_scores += adder

# 負無窮經過softmax之後為0，就相當於mask為0的位置不計算attention_score
# `attention_probs` = [B, N, F, T]
attention_probs = tf.nn.softmax(attention_scores)

# 對attention_probs進行dropout，這雖然有點奇怪，但是Transforme原始論文就是這麼做的
attention_probs = dropout(attention_probs, attention_probs_dropout_prob)

# `value_layer` = [B, T, N, H]
value_layer = tf.reshape(
value_layer,
[batch_size, to_seq_length, num_attention_heads, size_per_head])

# `value_layer` = [B, N, T, H]
value_layer = tf.transpose(value_layer, [0, 2, 1, 3])

# `context_layer` = [B, N, F, H]
context_layer = tf.matmul(attention_probs, value_layer)

# `context_layer` = [B, F, N, H]
context_layer = tf.transpose(context_layer, [0, 2, 1, 3])

if do_return_2d_tensor:
# `context_layer` = [B*F, N*H]
context_layer = tf.reshape(
context_layer,
[batch_size * from_seq_length, num_attention_heads * size_per_head])
else:
# `context_layer` = [B, F, N*H]
context_layer = tf.reshape(
context_layer,
[batch_size, from_seq_length, num_attention_heads * size_per_head])

return context_layer

總結一下，attention layer的主要流程：

  • 對輸入的tensor進行形狀校驗，提取batch_size、from_seq_length 、to_seq_length
  • 輸入如果是3d張量則轉化成2d矩陣
  • from_tensor作為query， to_tensor作為key和value，經過一層全連接層後得到query_layer、key_layer 、value_layer
  • 將上述張量通過transpose_for_scores轉化成multi-head
  • 根據論文公式計算attention_score以及attention_probs（注意attention_mask的trick）： (Q, K, V)=operatorname{softmax}left(frac{Q K^{T}}{sqrt{d_{k}}} ight) V
  • 將得到的attention_probs與value相乘，返回2D或3D張量

6、Transformer

接下來的代碼就是大名鼎鼎的Transformer的核心代碼了，可以認為是"Attention is All You Need"原始代碼重現。可以參見原始論文和原始代碼。

def transformer_model(input_tensor, # 【batch_size, seq_length, hidden_size】
attention_mask=None, # 【batch_size, seq_length, seq_length】
hidden_size=768,
num_hidden_layers=12,
num_attention_heads=12,
intermediate_size=3072,
intermediate_act_fn=gelu, # feed-forward層的激活函數
hidden_dropout_prob=0.1,
attention_probs_dropout_prob=0.1,
initializer_range=0.02,
do_return_all_layers=False):

# 這裡注意，因為最終要輸出hidden_size， 我們有num_attention_head個區域，
# 每個head區域有size_per_head多的隱層
# 所以有 hidden_size = num_attention_head * size_per_head
if hidden_size % num_attention_heads != 0:
raise ValueError(
"The hidden size (%d) is not a multiple of the number of attention "
"heads (%d)" % (hidden_size, num_attention_heads))

attention_head_size = int(hidden_size / num_attention_heads)
input_shape = get_shape_list(input_tensor, expected_rank=3)
batch_size = input_shape[0]
seq_length = input_shape[1]
input_width = input_shape[2]

# 因為encoder中有殘差操作，所以需要shape相同
if input_width != hidden_size:
raise ValueError("The width of the input tensor (%d) != hidden size (%d)" %
(input_width, hidden_size))

# reshape操作在CPU/GPU上很快，但是在TPU上很不友好
# 所以為了避免2D和3D之間的頻繁reshape，我們把所有的3D張量用2D矩陣表示
prev_output = reshape_to_matrix(input_tensor)

all_layer_outputs = []
for layer_idx in range(num_hidden_layers):
with tf.variable_scope("layer_%d" % layer_idx):
layer_input = prev_output

with tf.variable_scope("attention"):
# multi-head attention
attention_heads = []
with tf.variable_scope("self"):
# self-attention
attention_head = attention_layer(
from_tensor=layer_input,
to_tensor=layer_input,
attention_mask=attention_mask,
num_attention_heads=num_attention_heads,
size_per_head=attention_head_size,
attention_probs_dropout_prob=attention_probs_dropout_prob,
initializer_range=initializer_range,
do_return_2d_tensor=True,
batch_size=batch_size,
from_seq_length=seq_length,
to_seq_length=seq_length)
attention_heads.append(attention_head)

attention_output = None
if len(attention_heads) == 1:
attention_output = attention_heads[0]
else:
# 如果有多個head，將他們拼接起來
attention_output = tf.concat(attention_heads, axis=-1)

# 對attention的輸出進行線性映射, 目的是將shape變成與input一致
# 然後dropout+residual+norm
with tf.variable_scope("output"):
attention_output = tf.layers.dense(
attention_output,
hidden_size,
kernel_initializer=create_initializer(initializer_range))
attention_output = dropout(attention_output, hidden_dropout_prob)
attention_output = layer_norm(attention_output + layer_input)

# feed-forward
with tf.variable_scope("intermediate"):
intermediate_output = tf.layers.dense(
attention_output,
intermediate_size,
activation=intermediate_act_fn,
kernel_initializer=create_initializer(initializer_range))

# 對feed-forward層的輸出使用線性變換變回『hidden_size』
# 然後dropout + residual + norm
with tf.variable_scope("output"):
layer_output = tf.layers.dense(
intermediate_output,
hidden_size,
kernel_initializer=create_initializer(initializer_range))
layer_output = dropout(layer_output, hidden_dropout_prob)
layer_output = layer_norm(layer_output + attention_output)
prev_output = layer_output
all_layer_outputs.append(layer_output)

if do_return_all_layers:
final_outputs = []
for layer_output in all_layer_outputs:
final_output = reshape_from_matrix(layer_output, input_shape)
final_outputs.append(final_output)
return final_outputs
else:
final_output = reshape_from_matrix(prev_output, input_shape)
return final_output

配上下圖一同使用效果更佳，因為BERT裏只有encoder，所有decoder沒有姓名

7、函數入口（init）

BertModel類的構造函數，有了上面幾節的鋪墊，我們就可以來實現BERT模型了。

def __init__(self,
config, # BertConfig對象
is_training,
input_ids, # 【batch_size, seq_length】
input_mask=None, # 【batch_size, seq_length】
token_type_ids=None, # 【batch_size, seq_length】
use_one_hot_embeddings=False, # 是否使用one-hot；否則tf.gather()
scope=None):

config = copy.deepcopy(config)
if not is_training:
config.hidden_dropout_prob = 0.0
config.attention_probs_dropout_prob = 0.0

input_shape = get_shape_list(input_ids, expected_rank=2)
batch_size = input_shape[0]
seq_length = input_shape[1]
# 不做mask，即所有元素為1
if input_mask is None:
input_mask = tf.ones(shape=[batch_size, seq_length], dtype=tf.int32)

if token_type_ids is None:
token_type_ids = tf.zeros(shape=[batch_size, seq_length], dtype=tf.int32)

with tf.variable_scope(scope, default_name="bert"):
with tf.variable_scope("embeddings"):
# word embedding
(self.embedding_output, self.embedding_table) = embedding_lookup(
input_ids=input_ids,
vocab_size=config.vocab_size,
embedding_size=config.hidden_size,
initializer_range=config.initializer_range,
word_embedding_name="word_embeddings",
use_one_hot_embeddings=use_one_hot_embeddings)

# 添加position embedding和segment embedding
# layer norm + dropout
self.embedding_output = embedding_postprocessor(
input_tensor=self.embedding_output,
use_token_type=True,
token_type_ids=token_type_ids,
token_type_vocab_size=config.type_vocab_size,
token_type_embedding_name="token_type_embeddings",
use_position_embeddings=True,
position_embedding_name="position_embeddings",
initializer_range=config.initializer_range,
max_position_embeddings=config.max_position_embeddings,
dropout_prob=config.hidden_dropout_prob)

with tf.variable_scope("encoder"):

# input_ids是經過padding的word_ids： [25, 120, 34, 0, 0]
# input_mask是有效詞標記： [1, 1, 1, 0, 0]
attention_mask = create_attention_mask_from_input_mask(
input_ids, input_mask)

# transformer模塊疊加
# `sequence_output` shape = [batch_size, seq_length, hidden_size].
self.all_encoder_layers = transformer_model(
input_tensor=self.embedding_output,
attention_mask=attention_mask,
hidden_size=config.hidden_size,
num_hidden_layers=config.num_hidden_layers,
num_attention_heads=config.num_attention_heads,
intermediate_size=config.intermediate_size,
intermediate_act_fn=get_activation(config.hidden_act),
hidden_dropout_prob=config.hidden_dropout_prob,
attention_probs_dropout_prob=config.attention_probs_dropout_prob,
initializer_range=config.initializer_range,
do_return_all_layers=True)

# `self.sequence_output`是最後一層的輸出，shape為【batch_size, seq_length, hidden_size】
self.sequence_output = self.all_encoder_layers[-1]

# 『pooler』部分將encoder輸出【batch_size, seq_length, hidden_size】
# 轉成【batch_size, hidden_size】
with tf.variable_scope("pooler"):
# 取最後一層的第一個時刻[CLS]對應的tensor， 對於分類任務很重要
# sequence_output[:, 0:1, :]得到的是[batch_size, 1, hidden_size]
# 我們需要用squeeze把第二維去掉
first_token_tensor = tf.squeeze(self.sequence_output[:, 0:1, :], axis=1)
# 然後再加一個全連接層，輸出仍然是[batch_size, hidden_size]
self.pooled_output = tf.layers.dense(
first_token_tensor,
config.hidden_size,
activation=tf.tanh,
kernel_initializer=create_initializer(config.initializer_range))

總結一哈

有了以上對源碼的深入瞭解之後，我們在使用BertModel的時候就會更加得心應手。舉個模型使用的簡單栗子：

# 假設輸入已經經過分詞變成word_ids. shape=[2, 3]
input_ids = tf.constant([[31, 51, 99], [15, 5, 0]])
input_mask = tf.constant([[1, 1, 1], [1, 1, 0]])
# segment_emebdding. 表示第一個樣本前兩個詞屬於句子1，後一個詞屬於句子2.
# 第二個樣本的第一個詞屬於句子1， 第二次詞屬於句子2，第三個元素0表示padding
token_type_ids = tf.constant([[0, 0, 1], [0, 2, 0]])

# 創建BertConfig實例
config = modeling.BertConfig(vocab_size=32000, hidden_size=512,
num_hidden_layers=8, num_attention_heads=6, intermediate_size=1024)

# 創建BertModel實例
model = modeling.BertModel(config=config, is_training=True,
input_ids=input_ids, input_mask=input_mask, token_type_ids=token_type_ids)

label_embeddings = tf.get_variable(...)
#得到最後一層的第一個Token也就是[CLS]向量表示，可以看成是一個句子的embedding
pooled_output = model.get_pooled_output()
logits = tf.matmul(pooled_output, label_embeddings)

在BERT模型構建這一塊的主要流程：

  • 對輸入序列進行Embedding（三個），接下去就是『Attention is all you need』的內容了
  • 簡單一點就是將embedding輸入transformer得到輸出結果
  • 詳細一點就是embedding --> N *【multi-head attention --> Add(Residual) &Norm--> Feed-Forward --> Add(Residual) &Norm】
  • 哈，是不是很簡單~
  • 源碼中還有一些其他的輔助函數，不是很難理解，這裡就不再囉嗦。

reference

  • bert repository
  • 谷歌BERT預訓練源碼解析（一）：訓練數據生成
  • Bert系列（一）——demo運行

以上~

知乎裏的代碼咋不能高亮顯示....


推薦閱讀：
相關文章