本文会尽可能详细的介绍BERT的结构，预训练方法细节
一 BERT的结构
BERT的具体结构如下图所示，其只用到了transformer的encoder部分，由多层tranformer的encoder堆叠而成，因此我们可以看到BERT并未在结构上进行了创新，其主要创新点在于预训练的部分
BERT将输入文本转化为为向量表示其实是由三部分相加构成（图2），token embeddings，segment embeddings，和 posistion embeddings 。由于需要相加操作，这三个embedding的大小都是一致的，embedding size 通常和BERT的隐层大小保持一致。这三部分参数都是通过训练得到的，segment emdeddings 是一个 2 X embedding size的矩阵，第一行对应句子A的embedding，第二行对应句子B的embedding，需要注意的是这里得到position emedding参数的方式和transformer不一样，在transormer里，postition embedding是由sin/con函数直接得到，不需要训练。图2出现的<cls>和<sep>将会在下文中进行解释。
二 BERT的框架
框架分为两步，一是预训练,二是fine-tuning
2.1 预训练BERT
预训练的语料是用大量的无标签数据构成的，具体地预训练任务有两个，masked LM 和预测是否为下个句子，每个输入序列可以由一个或两个有上下文联系的句子构成，句子之前用<SEP>分隔，在每个输入序列的最前面加<CLS> token
2.1.1 masked LM(MLM) —— BERT论文中的一个重要创新点
随机mask句子中的一部分词（15%），然后预测这些mask词的实际值，注意此时输出序列任何输入序列一样长，只不过计算loss的时候只计算mask位置的，如原始句子： I eat [mask] apple，输出 I eat an apple.
论文中还提到对句子中选择的15%mask的词，其中80%会被mask，10%会保留原来的词，10%会被随机替换成另一个词（random token）
tensorflow实现bert的代码中将原始数据复制了10份，再将句子中选择15%的mask（10份复制的 8份mask, 1份保留，1份随机替换）
：为什么要将10%被选择mask的词保留原来的词
如果将选择的mask的词100%都mask，由于在finetune的阶段，所有词都已知，没有<mask>，如果模型只在带<mask>的句子上训练过，那么模型就只知道根据其他词的信息来预测当前词，而不会利用这个词本身的信息（被mask的词），导致损失一部分信息
：为什么10%会被随机替换成另一个词
因为如果都用原来的词，预训练时，模型会学到如果当前词是mask，就根据其他词的信息推断这个词，如果是正常的，那么可能会直接照抄原来的单词，不利于模型学习单词间的依赖关系。使用了random token有助于模型在任何位置的token上都把当前token信息和上下文信息相结合。
2.1.2 预测是否为下个句子（Next Sentence Prediction, NSP）
构建语料：每个训练例子有句子A，B，B有50%的几率是A的下一句，标记上是下一句标签，50%的几率是随机选的，标记上非下一句标签，构建输入序列的时候是形如 <cls>A<sep>B 这样的格式，见图2
2.2 fine-tune
用第一步预训练得到的参数初始化BERT，再将BERT接入到适合下游任务的结构中。
举个最简单的例子，对于分类任务来说，将softmax层接在<CLS> token输入对应最后一个隐层输出（这个一般视为概括了整个句子的信息）或者在softmax层之前再接单层全连接网络
从图二中看到BERT在预训练的时候一个输入序列是由两个句子组成，那么如果需要finetune的下游任务为单句的话输入格式要怎么处理？
A：BERT预训练的输入序列用了两个句子的拼接是为了NSP任务，当要finetune的任务是单句的时候，输入格式直接为<CLS> My dog is cute
使用BERT-base进行fine-tune需要12G以上的GPU，预训练BERT需要28G以上GPU
三 BERT实际应用
3.1 如何用于长文本，如在阅读理解任务中
答案是用sliding windows，即把文档分成有重叠的若干段，每一段都当成独立的文档送入BERT，最后再对这些独立文档得到的结果进行整合
sliding windows只能用于训练，测试阶段可通过设置batchsize为将长文本读取
3.2 如何用于多文档
现有的主要思路是先用retrieval选一些相关的doc，再当做阅读理解的问题做
参考资料
知乎上的一一篇文章 https://zhuanlan.zhihu.com/p/46652512
kaggle上的一篇高分教程 https://www.kaggle.com/abhinand05/bert-for-humans-tutorial-baseline
google提供的BERT预训练模型（有英文也有中文的）https://github.com/google-research/bert#pre-trained-models
bert版本的pytorch https://github.com/huggingface/transformers
pytorch版bert使用教程https://zhuanlan.zhihu.com/p/66057193
pytorch版bert中文使用博客https://blog.csdn.net/ccbrid/article/details/88732857
包括了BERT结构的解析https://cloud.tencent.com/developer/article/1389555
