预训练BERT¶

:label:sec_bert-pretraining

利用 :numref:sec_bert中实现的BERT模型和 :numref:sec_bert-dataset中从WikiText-2数据集生成的预训练样本，我们将在本节中在WikiText-2数据集上对BERT进行预训练。

In [1]:

import torch
        from torch import nn
        from d2l import torch as d2l

首先，我们加载WikiText-2数据集作为小批量的预训练样本，用于遮蔽语言模型和下一句预测。批量大小是512，BERT输入序列的最大长度是64。注意，在原始BERT模型中，最大长度是512。

In [2]:

batch_size, max_len = 512, 64
        train_iter, vocab = d2l.load_data_wiki(batch_size, max_len)

预训练BERT¶

原始BERT :cite:Devlin.Chang.Lee.ea.2018有两个不同模型尺寸的版本。基本模型（$\text{BERT}_{\text{BASE}}$）使用12层（Transformer编码器块），768个隐藏单元（隐藏大小）和12个自注意头。大模型（$\text{BERT}_{\text{LARGE}}$）使用24层，1024个隐藏单元和16个自注意头。值得注意的是，前者有1.1亿个参数，后者有3.4亿个参数。为了便于演示，我们定义了一个小的BERT，使用了2层、128个隐藏单元和2个自注意头。

In [3]:

net = d2l.BERTModel(len(vocab), num_hiddens=128, norm_shape=[128],
                            ffn_num_input=128, ffn_num_hiddens=256, num_heads=2,
                            num_layers=2, dropout=0.2, key_size=128, query_size=128,
                            value_size=128, hid_in_features=128, mlm_in_features=128,
                            nsp_in_features=128)
        devices = d2l.try_all_gpus()
        loss = nn.CrossEntropyLoss()

在定义训练代码实现之前，我们定义了一个辅助函数_get_batch_loss_bert。给定训练样本，该函数计算遮蔽语言模型和下一句子预测任务的损失。请注意，BERT预训练的最终损失是遮蔽语言模型损失和下一句预测损失的和。

In [4]:

#@save
        def _get_batch_loss_bert(net, loss, vocab_size, tokens_X,
                                 segments_X, valid_lens_x,
                                 pred_positions_X, mlm_weights_X,
                                 mlm_Y, nsp_y):
            # 前向传播
            _, mlm_Y_hat, nsp_Y_hat = net(tokens_X, segments_X,
                                          valid_lens_x.reshape(-1),
                                          pred_positions_X)
            # 计算遮蔽语言模型损失
            mlm_l = loss(mlm_Y_hat.reshape(-1, vocab_size), mlm_Y.reshape(-1)) *\
            mlm_weights_X.reshape(-1, 1)
            mlm_l = mlm_l.sum() / (mlm_weights_X.sum() + 1e-8)
            # 计算下一句子预测任务的损失
            nsp_l = loss(nsp_Y_hat, nsp_y)
            l = mlm_l + nsp_l
            return mlm_l, nsp_l, l

通过调用上述两个辅助函数，下面的train_bert函数定义了在WikiText-2（train_iter）数据集上预训练BERT（net）的过程。训练BERT可能需要很长时间。以下函数的输入num_steps指定了训练的迭代步数，而不是像train_ch13函数那样指定训练的轮数（参见 :numref:sec_image_augmentation）。

In [5]:

def train_bert(train_iter, net, loss, vocab_size, devices, num_steps):
            net = nn.DataParallel(net, device_ids=devices).to(devices[0])
            trainer = torch.optim.Adam(net.parameters(), lr=0.01)
            step, timer = 0, d2l.Timer()
            animator = d2l.Animator(xlabel='step', ylabel='loss',
                                    xlim=[1, num_steps], legend=['mlm', 'nsp'])
            # 遮蔽语言模型损失的和，下一句预测任务损失的和，句子对的数量，计数
            metric = d2l.Accumulator(4)
            num_steps_reached = False
            while step < num_steps and not num_steps_reached:
                for tokens_X, segments_X, valid_lens_x, pred_positions_X,\
                    mlm_weights_X, mlm_Y, nsp_y in train_iter:
                    tokens_X = tokens_X.to(devices[0])
                    segments_X = segments_X.to(devices[0])
                    valid_lens_x = valid_lens_x.to(devices[0])
                    pred_positions_X = pred_positions_X.to(devices[0])
                    mlm_weights_X = mlm_weights_X.to(devices[0])
                    mlm_Y, nsp_y = mlm_Y.to(devices[0]), nsp_y.to(devices[0])
                    trainer.zero_grad()
                    timer.start()
                    mlm_l, nsp_l, l = _get_batch_loss_bert(
                        net, loss, vocab_size, tokens_X, segments_X, valid_lens_x,
                        pred_positions_X, mlm_weights_X, mlm_Y, nsp_y)
                    l.backward()
                    trainer.step()
                    metric.add(mlm_l, nsp_l, tokens_X.shape[0], 1)
                    timer.stop()
                    animator.add(step + 1,
                                 (metric[0] / metric[3], metric[1] / metric[3]))
                    step += 1
                    if step == num_steps:
                        num_steps_reached = True
                        break
        
            print(f'MLM loss {metric[0] / metric[3]:.3f}, '
                  f'NSP loss {metric[1] / metric[3]:.3f}')
            print(f'{metric[2] / timer.sum():.1f} sentence pairs/sec on '
                  f'{str(devices)}')

在预训练过程中，我们可以绘制出遮蔽语言模型损失和下一句预测损失。

In [6]:

train_bert(train_iter, net, loss, len(vocab), devices, 50)

MLM loss 5.425, NSP loss 0.775
        3485.7 sentence pairs/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

No description has been provided for this image

用BERT表示文本¶

在预训练BERT之后，我们可以用它来表示单个文本、文本对或其中的任何词元。下面的函数返回tokens_a和tokens_b中所有词元的BERT（net）表示。

In [7]:

def get_bert_encoding(net, tokens_a, tokens_b=None):
            tokens, segments = d2l.get_tokens_and_segments(tokens_a, tokens_b)
            token_ids = torch.tensor(vocab[tokens], device=devices[0]).unsqueeze(0)
            segments = torch.tensor(segments, device=devices[0]).unsqueeze(0)
            valid_len = torch.tensor(len(tokens), device=devices[0]).unsqueeze(0)
            encoded_X, _, _ = net(token_ids, segments, valid_len)
            return encoded_X

考虑“a crane is flying”这句话。回想一下 :numref:subsec_bert_input_rep中讨论的BERT的输入表示。插入特殊标记“<cls>”（用于分类）和“<sep>”（用于分隔）后，BERT输入序列的长度为6。因为零是“<cls>”词元，encoded_text[:, 0, :]是整个输入语句的BERT表示。为了评估一词多义词元“crane”，我们还打印出了该词元的BERT表示的前三个元素。

In [8]:

tokens_a = ['a', 'crane', 'is', 'flying']
        encoded_text = get_bert_encoding(net, tokens_a)
        # 词元：'<cls>','a','crane','is','flying','<sep>'
        encoded_text_cls = encoded_text[:, 0, :]
        encoded_text_crane = encoded_text[:, 2, :]
        encoded_text.shape, encoded_text_cls.shape, encoded_text_crane[0][:3]

Out[8]:

(torch.Size([1, 6, 128]),
         torch.Size([1, 128]),
         tensor([-0.5007, -1.0034,  0.8718], device='cuda:0', grad_fn=<SliceBackward0>))

现在考虑一个句子“a crane driver came”和“he just left”。类似地，encoded_pair[:, 0, :]是来自预训练BERT的整个句子对的编码结果。注意，多义词元“crane”的前三个元素与上下文不同时的元素不同。这支持了BERT表示是上下文敏感的。

In [9]:

tokens_a, tokens_b = ['a', 'crane', 'driver', 'came'], ['he', 'just', 'left']
        encoded_pair = get_bert_encoding(net, tokens_a, tokens_b)
        # 词元：'<cls>','a','crane','driver','came','<sep>','he','just',
        # 'left','<sep>'
        encoded_pair_cls = encoded_pair[:, 0, :]
        encoded_pair_crane = encoded_pair[:, 2, :]
        encoded_pair.shape, encoded_pair_cls.shape, encoded_pair_crane[0][:3]

Out[9]:

(torch.Size([1, 10, 128]),
         torch.Size([1, 128]),
         tensor([ 0.5101, -0.4041, -1.2749], device='cuda:0', grad_fn=<SliceBackward0>))

在 :numref:chap_nlp_app中，我们将为下游自然语言处理应用微调预训练的BERT模型。

小结¶

原始的BERT有两个版本，其中基本模型有1.1亿个参数，大模型有3.4亿个参数。
在预训练BERT之后，我们可以用它来表示单个文本、文本对或其中的任何词元。
在实验中，同一个词元在不同的上下文中具有不同的BERT表示。这支持BERT表示是上下文敏感的。

练习¶

在实验中，我们可以看到遮蔽语言模型损失明显高于下一句预测损失。为什么？
将BERT输入序列的最大长度设置为512（与原始BERT模型相同）。使用原始BERT模型的配置，如$\text{BERT}_{\text{LARGE}}$。运行此部分时是否遇到错误？为什么？