BERT 基础模型（大小写敏感）
基于英语语言的预训练模型，采用掩码语言建模（MLM）目标。该模型在此论文中被提出，并首次在此仓库中发布。此模型区分大小写：例如，“english”和“English”会被视为不同的词。
免责声明：发布 BERT 的团队并未为此模型编写模型卡片，因此本模型卡片由 Hugging Face 团队编写。
模型描述
BERT 是一个基于 Transformer 的模型，它在大量英语语料库上以自监督的方式进行预训练。这意味着它仅在原始文本上进行预训练，无需人工对文本进行任何形式的标注（这也是它能够利用大量公开可用数据的原因），并通过自动流程从这些文本中生成输入和标签。更准确地说，它通过两个目标进行预训练：
- 掩码语言建模（MLM）：对于一个句子，模型会随机掩盖输入中 15% 的词，然后将整个被掩盖的句子输入模型，模型需要预测被掩盖的词。这与传统的循环神经网络（RNNs）通常逐个处理单词的方式不同，也与像 GPT 这样的自回归模型在内部掩盖未来标记的方式不同。这使得模型能够学习句子的双向表示。
- 下一句预测（NSP）：模型在预训练期间将两个经过掩码处理的句子拼接作为输入。有时这两个句子在原始文本中是相邻的，有时则不是。然后模型需要预测这两个句子是否是连续的。
通过这种方式，模型学习到英语语言的内部表示，这些表示可用于提取对下游任务有用的特征：例如，如果你有一个带标签的句子数据集，你可以使用 BERT 模型生成的特征作为输入来训练一个标准分类器。
预期用途和局限性
您可以将原始模型用于掩码语言建模或下一句预测，但它主要旨在针对下游任务进行微调。
请注意，此模型主要用于在需要使用整个句子（可能包含掩码）来做出决策的任务上进行微调，例如序列分类、 token 分类或问答任务。对于文本生成等任务，您应考虑 GPT2 等模型。
使用方法
您可以直接通过 pipeline 将此模型用于掩码语言建模：
>>> from openmind import pipeline
>>> unmasker = pipeline('fill-mask', model='PyTorch-NPU/bert_base_cased')
>>> unmasker("Hello I'm a [MASK] model.")
[{'sequence': "[CLS] Hello I'm a fashion model. [SEP]",
'score': 0.09019174426794052,
'token': 4633,
'token_str': 'fashion'},
{'sequence': "[CLS] Hello I'm a new model. [SEP]",
'score': 0.06349995732307434,
'token': 1207,
'token_str': 'new'},
{'sequence': "[CLS] Hello I'm a male model. [SEP]",
'score': 0.06228214129805565,
'token': 2581,
'token_str': 'male'},
{'sequence': "[CLS] Hello I'm a professional model. [SEP]",
'score': 0.0441727414727211,
'token': 1848,
'token_str': 'professional'},
{'sequence': "[CLS] Hello I'm a super model. [SEP]",
'score': 0.03326151892542839,
'token': 7688,
'token_str': 'super'}]以下是如何在 PyTorch 中使用该模型获取给定文本特征的方法：
import openmind
from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('PyTorch-NPU/bert_base_cased')
model = BertModel.from_pretrained("PyTorch-NPU/bert_base_cased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)局限性与偏差
尽管本模型的训练数据可被描述为相当中立，但该模型仍可能产生有偏差的预测：
>>> from openmind import pipeline
>>> unmasker = pipeline('fill-mask', model='PyTorch-NPU/bert_base_cased')
>>> unmasker("The man worked as a [MASK].")
[{'sequence': '[CLS] The man worked as a lawyer. [SEP]',
'score': 0.04804691672325134,
'token': 4545,
'token_str': 'lawyer'},
{'sequence': '[CLS] The man worked as a waiter. [SEP]',
'score': 0.037494491785764694,
'token': 17989,
'token_str': 'waiter'},
{'sequence': '[CLS] The man worked as a cop. [SEP]',
'score': 0.035512614995241165,
'token': 9947,
'token_str': 'cop'},
{'sequence': '[CLS] The man worked as a detective. [SEP]',
'score': 0.031271643936634064,
'token': 9140,
'token_str': 'detective'},
{'sequence': '[CLS] The man worked as a doctor. [SEP]',
'score': 0.027423162013292313,
'token': 3995,
'token_str': 'doctor'}]
>>> unmasker("The woman worked as a [MASK].")
[{'sequence': '[CLS] The woman worked as a nurse. [SEP]',
'score': 0.16927455365657806,
'token': 7439,
'token_str': 'nurse'},
{'sequence': '[CLS] The woman worked as a waitress. [SEP]',
'score': 0.1501094549894333,
'token': 15098,
'token_str': 'waitress'},
{'sequence': '[CLS] The woman worked as a maid. [SEP]',
'score': 0.05600163713097572,
'token': 13487,
'token_str': 'maid'},
{'sequence': '[CLS] The woman worked as a housekeeper. [SEP]',
'score': 0.04838843643665314,
'token': 26458,
'token_str': 'housekeeper'},
{'sequence': '[CLS] The woman worked as a cook. [SEP]',
'score': 0.029980547726154327,
'token': 9834,
'token_str': 'cook'}]这种偏差也会影响该模型的所有微调版本。
训练数据
BERT 模型是在 BookCorpus（一个包含 11,038 本未出版书籍的数据集）和 English Wikipedia（不包含列表、表格和标题）上进行预训练的。
训练过程
预处理
文本使用 WordPiece 进行分词，词汇表大小为 30,000。然后，模型的输入形式如下：
[CLS] Sentence A [SEP] Sentence B [SEP]以 0.5 的概率，句子 A 和句子 B 对应原始语料库中的两个连续句子，在其他情况下，则是语料库中的另一个随机句子。请注意，这里所指的“句子”是一段连续的文本，通常比单个句子更长。唯一的限制是这两个“句子”组合后的总长度少于 512 个 tokens。
每个句子的掩码处理细节如下：
- 15% 的 tokens 被掩码。
- 在 80% 的情况下，被掩码的 tokens 替换为
[MASK]。 - 在 10% 的情况下，被掩码的 tokens 替换为一个与其不同的随机 token。
- 在剩余 10% 的情况下，被掩码的 tokens 保持原样。
预训练
该模型在采用 Pod 配置的 4 个云 TPU（总共 16 个 TPU 芯片）上进行训练，训练步数为一百万步，批处理大小为 256。在 90% 的训练步骤中，序列长度限制为 128 个 tokens，其余 10% 的步骤中则为 512 个 tokens。使用的优化器是 Adam，学习率为 1e-4，$\beta_{1} = 0.9$，$\beta_{2} = 0.999$，权重衰减为 0.01，学习率预热 10,000 步，之后学习率线性衰减。
评估结果
在下游任务上进行微调后，该模型取得了以下结果：
GLUE 测试结果：
| 任务 | MNLI-(m/mm) | QQP | QNLI | SST-2 | CoLA | STS-B | MRPC | RTE | 平均值 |
|---|---|---|---|---|---|---|---|---|---|
| 84.6/83.4 | 71.2 | 90.5 | 93.5 | 52.1 | 85.8 | 88.9 | 66.4 | 79.6 |
BibTeX 条目和引用信息
@article{DBLP:journals/corr/abs-1810-04805,
author = {Jacob Devlin and
Ming{-}Wei Chang and
Kenton Lee and
Kristina Toutanova},
title = {{BERT:} Pre-training of Deep Bidirectional Transformers for Language
Understanding},
journal = {CoRR},
volume = {abs/1810.04805},
year = {2018},
url = {http://arxiv.org/abs/1810.04805},
archivePrefix = {arXiv},
eprint = {1810.04805},
timestamp = {Tue, 30 Oct 2018 20:39:56 +0100},
biburl = {https://dblp.org/rec/journals/corr/abs-1810-04805.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}