https://github.com/AIDajiangtang/LLM-from-scratch/blob/main/Bert_fine_tune_from_scratch.ipynb
['bert_config.json', 'bert_model.ckpt.data-00000-of-00001', 'bert_model.ckpt.index', 'vocab.txt']
/ 01 /
自然语言推理任务通常是判断两个句子之间的逻辑关系（如蕴涵、矛盾或中立）。
Next Sentence Prediction (NSP)可以看作是一种特殊的自然语言推理任务。
1.训练数据
本次微调用的数据来自GLUE MRPC，数据由成对的句子构成，并且还有一个人工标注的标签，表示两个句子是否语义相似。
FeaturesDict({'idx': int32,'label': ClassLabel(shape=(), dtype=int64, num_classes=2),'sentence1': Text(shape=(), dtype=string),'sentence2': Text(shape=(), dtype=string),})下面打印一条数据。
idx: 1680label: 0sentence1: b'The identical rovers will act as robotic geologists , searching for evidence of past water .'sentence2: b'The rovers act as robotic geologists , moving on six wheels .'
对于每个样本中的句子对，拼接成一个输入序列，格式为：[CLS] 句子A [SEP] 句子B [SEP]。
使用BERT的分词器将输入序列分词，并将其转换为输入ID、注意力掩码和类型ID。
词表参数：{'vocab_size': 30522, 'start_of_sequence_id': 101, 'end_of_segment_id': 102, 'padding_id': 0, 'mask_id': 103}设置batch_size=32，max_seq_length = 128。
则输入ID：
模型的输入X。
'input_word_ids': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[ 101, 1996, 7235, ...,0,0,0],[ 101, 2625, 2084, ...,0,0,0],[ 101, 6804, 1011, ...,0,0,0],...,[ 101, 2021, 2049, ...,0,0,0],[ 101, 2274, 2062, ...,0,0,0],[ 101, 2043, 1037, ...,0,0,0]], dtype=int32)>
注意力掩码：
注意力掩码用于区分实际的 token 和填充的 token，1表示实际的 token，0表示填充的 token。
在多头注意力计算时，注意力掩码会将填充位置对应的注意力权重设置为负无穷（通常是一个非常大的负数，如 -10^9），这样在通过 softmax 计算时，这些位置的权重就会接近于零，从而使这些填充位置不会对注意力分数产生影响。
在计算损失时，通常会忽略填充位置对应的 token。
'input_mask': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[1, 1, 1, ..., 0, 0, 0],[1, 1, 1, ..., 0, 0, 0],[1, 1, 1, ..., 0, 0, 0],...,[1, 1, 1, ..., 0, 0, 0],[1, 1, 1, ..., 0, 0, 0],[1, 1, 1, ..., 0, 0, 0]], dtype=int32)>,
类型ID：
表示token属于哪个句子，0表示属于句子A，1表示数据句子B。
'input_type_ids': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[0, 0, 0, ..., 0, 0, 0],[0, 0, 0, ..., 0, 0, 0],[0, 0, 0, ..., 0, 0, 0],...,[0, 0, 0, ..., 0, 0, 0],[0, 0, 0, ..., 0, 0, 0],[0, 0, 0, ..., 0, 0, 0]], dtype=int32)>
在将token id转换成词嵌入向量时，会将类型id视为segment Embedding。
标签：
['not_equivalent', 'equivalent']->[0,1]
0：表示两个句子语义不相似。
1：表示两个句子语义相似。
<tf.Tensor: shape=(32,), dtype=int64, numpy=array([0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1])>
到此，我们就构造了模型输入和标签。
input_word_idsshape: (32, 128)input_maskshape: (32, 128)input_type_idsshape: (32, 128)labelsshape: (32,)
2.模型
在模型架构上，相对于BERT预训练，在微调过程中，会在模型的输出层添加一个分类层。这个分类层的输入是[CLS]标记对应的隐藏状态，其输出是表示类别概率的logits。
因为EMB_SIZE = 768，所以分类层的输入(32, 768)，输出(32, 768，2)。
3.微调
超参数EMB_SIZE = 768//词嵌入维度HIDDEN_SIZE = 768 BATCH_SIZE = 32 #batch sizeNUM_HEADS = 4 //头的个数
3.1.词嵌入
接下来将token ids转换成embedding，在Bert中，每个token都涉及到三种嵌入，第一种是Token embedding，token id转换成词嵌入向量，第二种是位置编码。还有一种是Segment embedding。用于表示哪个句子，0表示第一个句子，1表示第二个句子。
根据超参数EMB_SIZE = 768，所以词嵌入维度768，Token embedding通过一个嵌入层[30522，768]将输入[32,128]映射成[32,128,768]。
30522是词表的大小，[30522，768]的嵌入层可以看作是有30522个位置索引的查找表，每个位置存储768维向量。
位置编码可以通过学习的方式获得，也可以通过固定计算方式获得，本次采用固定计算方式。
Segment embedding和输入X大小一致，第一个句子对应为0，第二个位置为1。
最后将三个embedding相加，然后将输出的embedding[32,128,768]输入到编码器中。
3.2.多头注意力
编码器的第一个操作是多头注意力，与Transformer和GPT中不同的是，不计算[PAD]的注意力，会将[PAD]对应位置的注意力分数设置为一个非常小的值，使之经过softmax后为0。
多头注意力的输出维度[32,128,768]。
3.3.MLP
与Transformer和GPT中的一致，MLP的输出维度[32,128,768]。
3.4.输出
编码器的输出[32,128,768]，但我们只需要[CLS]对应的输出[32,768]。
二分类损失
通过另一个线性层[768,2]将开头的[CLS]的输出[32,768]映射成[32，2]，表示属于正负类的概率，然后与标签[32，]计算交叉熵损失。
/ 02 /
问答任务通常是给定一个段落和一个问题，模型需要从段落中找出答案的起始位置和结束位置。
示例
假设我们有一个段落和一个问题：
段落："BERT is a model developed by Google for natural language processing tasks. It stands for Bidirectional Encoder Representations from Transformers."
问题："Who developed BERT?"
我们需要从段落中找出答案的起始位置和结束位置。在这个例子中，答案是 "Google"，它在段落中的位置如下：
起始位置：6 （第7个词，"Google"）
结束位置：6 （第7个词，"Google"）
超参数max_seq_length = 128EMB_SIZE = 768//词嵌入维度HIDDEN_SIZE = 768 BATCH_SIZE = 32 #batch sizeNUM_HEADS = 4 //头的个数
1.训练数据
输入预处理：
分词和ID转换：
将段落和问题转换为BERT的输入格式：[CLS] 问题 [SEP] 段落 [SEP]。
例如：[CLS] Who developed BERT? [SEP] BERT is a model developed by Google for natural language processing tasks. It stands for Bidirectional Encoder Representations from Transformers. [SEP]
使用BERT的分词器将输入序列分词，并将其转换为输入ID、注意力掩码和类型ID。
input_word_idsshape: (32, 128)input_maskshape: (32, 128)input_type_idsshape: (32, 128)labelsshape: (32, 128, 2)#标记起始位置和结束位置
2.模型
经过BERT模型的编码器处理后，每个标记都会有一个对应的隐藏状态向量。
假设输入序列长度为L，那么输出将是一个形状为 (L, H) 的矩阵，其中L是序列长度，H是隐藏状态的维度（通常为768）。
我们在BERT模型的输出层添加两个分类层（全连接层），分别用于预测答案的起始位置和结束位置。
这些分类层的输入是每个标记对应的隐藏状态向量，其输出是表示起始和结束位置的logits。
上图中的start就是用于预测答案起始位置的全连接层。
3.微调
3.1.词嵌入
接下来将token ids转换成embedding，在Bert中，每个token都涉及到三种嵌入，第一种是Token embedding，token id转换成词嵌入向量，第二种是位置编码。还有一种是Segment embedding。用于表示哪个句子，0表示第一个句子，1表示第二个句子。
根据超参数EMB_SIZE = 768，所以词嵌入维度768，Token embedding通过一个嵌入层[30522，768]将输入[32,128]映射成[32,128,768]。
30522是词表的大小，[30522，768]的嵌入层可以看作是有30522个位置索引的查找表，每个位置存储768维向量。
位置编码可以通过学习的方式获得，也可以通过固定计算方式获得，本次采用固定计算方式。
Segment embedding和输入X大小一致，第一个句子对应为0，第二个位置为1。
最后将三个embedding相加，然后将输出的embedding[32,128,768]输入到编码器中。
3.2.多头注意力
编码器的第一个操作是多头注意力，与Transformer和GPT中不同的是，不计算[PAD]的注意力，会将[PAD]对应位置的注意力分数设置为一个非常小的值，使之经过softmax后为0。
多头注意力的输出维度[32,128,768]。
3.3.MLP
与Transformer和GPT中的一致，MLP的输出维度[32,128,768]。
3.4.输出
编码器的输出[32,128,768]，但我们只需要属于段落对应的输出[32,N]。
二分类损失
通过预测起始位置的全连接层[768,2]将段落对应的输出[32,N,768]映射成[32，N，2]，表示属于起始位置的概率，通过掩码根据原始标签(32, 128, 2)获取起始位置的标签[32，N]，然后与起始位置的标签[32，N]计算交叉熵损失。
同样，通过预测结束位置的全连接层[768,2]将段落对应的输出[32,N,768]映射成[32，N，2]，表示属于起始位置的概率，然后与结束位置的标签[32，N]计算交叉熵损失。
