BERT 是由 Google 開發(fā)的自然語言處理模型，可學(xué)習(xí)文本的雙向表示，顯著提升在情境中理解許多不同任務(wù)中的無標(biāo)記文本的能力。

BERT 是整個類 BERT 模型（例如 RoBERTa、ALBERT 和 DistilBERT）系列的基礎(chǔ)。

什么是 BERT？

基于 Transformer (變換器)的雙向編碼器表示 (BERT) 技術(shù)由 Google 開發(fā)，通過在所有層中共同調(diào)整左右情境，利用無標(biāo)記文本預(yù)先訓(xùn)練深度雙向表示。該技術(shù)于 2018 年以開源許可的形式發(fā)布。Google 稱 BERT 為“第一個深度雙向、無監(jiān)督式語言表示，僅使用純文本語料庫預(yù)先進(jìn)行了訓(xùn)練”(Devlin et al. 2018)。

雙向模型在自然語言處理 (NLP) 領(lǐng)域早已有應(yīng)用。這些模型涉及從左到右以及從右到左兩種文本查看順序。BERT 的創(chuàng)新之處在于借助 Transformer 學(xué)習(xí)雙向表示，Transformer 是一種深度學(xué)習(xí)組件，不同于遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 對順序的依賴性，它能夠并行處理整個序列。因此可以分析規(guī)模更大的數(shù)據(jù)集，并加快模型訓(xùn)練速度。Transformer 能夠使用注意力機制收集詞語相關(guān)情境的信息，并以表示該情境的豐富向量進(jìn)行編碼，從而同時處理（而非單獨處理）與句中所有其他詞語相關(guān)的詞語。該模型能夠?qū)W習(xí)如何從句段中的每個其他詞語衍生出給定詞語的含義。

之前的詞嵌入技術(shù)（如 GloVe 和 Word2vec）在沒有情境的情況下運行，生成序列中各個詞語的表示。例如，無論是指運動裝備還是夜行動物,“bat”一詞都會以同樣的方式表示。ELMo 通過雙向長短期記憶模型 (LSTM)，對句中的每個詞語引入了基于句中其他詞語的深度情景化表示。但 ELMo 與 BERT 不同，它單獨考慮從左到右和從右到左的路徑，而不是將其視為整個情境的單一統(tǒng)一視圖。

由于絕大多數(shù) BERT 參數(shù)專門用于創(chuàng)建高質(zhì)量情境化詞嵌入，因此該框架非常適用于遷移學(xué)習(xí)。通過使用語言建模等自我監(jiān)督任務(wù)（不需要人工標(biāo)注的任務(wù)）訓(xùn)練 BERT，可以利用 WikiText 和 BookCorpus 等大型無標(biāo)記數(shù)據(jù)集，這些數(shù)據(jù)集包含超過 33 億個詞語。要學(xué)習(xí)其他任務(wù)（如問答），可以使用適合相應(yīng)任務(wù)的內(nèi)容替換并微調(diào)最后一層。

下圖中的箭頭表示三個不同 NLP 模型中從一層到下一層的信息流。

BERT 模型能夠更精細(xì)地理解表達(dá)的細(xì)微差別。例如，處理序列“Bob 需要一些藥。他的胃不舒服，可以給他拿一些抗酸藥嗎？” BERT 能更好地理解 “Bob”、“他的”和“他”都是指同一個人。以前，在“如何填寫 Bob 的處方”這一查詢中，模型可能無法理解第二句話引用的人是 Bob。應(yīng)用 BERT 模型后，該模型能夠理解所有這些關(guān)聯(lián)點之間的關(guān)系。

雙向訓(xùn)練很難實現(xiàn)，因為默認(rèn)情況下，在前一個詞語和下一個詞語的基礎(chǔ)上調(diào)節(jié)每個詞都包括多層模型中預(yù)測的詞語。BERT 的開發(fā)者通過遮蔽語料庫中的預(yù)測詞語和其他隨機詞語解決了這個問題。BERT 還使用一種簡單的訓(xùn)練技術(shù)，嘗試預(yù)測給定的兩個句子 A 和 B：B 和 A 是先后還是隨機關(guān)系。

為何選擇 BERT？

自然語言處理是當(dāng)今許多商業(yè)人工智能研究的中心。例如，除搜索引擎外，NLP 還用在了數(shù)字助手、自動電話響應(yīng)和車輛導(dǎo)航領(lǐng)域。BERT 是一項顛覆性技術(shù)，它提供基于大型數(shù)據(jù)集訓(xùn)練的單一模型，而且已經(jīng)證實該模型能夠在各種 NLP 任務(wù)中取得突破性成果。

BERT 的開發(fā)者表示，模型應(yīng)用范圍很廣（包括解答問題和語言推理），而且無需對任務(wù)所需的具體架構(gòu)做出大量修改。BERT 不需要使用標(biāo)記好的數(shù)據(jù)預(yù)先進(jìn)行訓(xùn)練，因此可以使用任何純文本進(jìn)行學(xué)習(xí)。

主要優(yōu)勢（用例）

BERT 可以針對許多 NLP 任務(wù)進(jìn)行微調(diào)。它是翻譯、問答、情感分析和句子分類等語言理解任務(wù)的理想之選。

目標(biāo)式搜索

雖然如今的搜索引擎能夠非常出色地理解人們要尋找的內(nèi)容（在人們使用正確查詢格式的前提下），但仍可以通過很多方式改善搜索體驗。對于語法能力差或不懂得搜索引擎提供商所用語言的人員而言，體驗可能令人不快。搜索引擎還經(jīng)常需要用戶嘗試同一查詢的不同變體，才能查詢到理想結(jié)果。

用戶每天在 Google 上執(zhí)行 35 億次搜索，搜索體驗改進(jìn)后，一天就可以減少 10% 的搜索量，長期累積下來將大幅節(jié)省時間、帶寬和服務(wù)器資源。從業(yè)務(wù)角度來看，它還使搜索提供商能夠更好地了解用戶行為，并投放更具針對性的廣告。

通過幫助非技術(shù)用戶更準(zhǔn)確地檢索信息，并減少因查詢格式錯誤帶來的錯誤，可以更好地理解自然語言，從而提高數(shù)據(jù)分析和商業(yè)智能工具的效果。

輔助性導(dǎo)航

在美國，超過八分之一的人有殘疾，而且許多人在物理和網(wǎng)絡(luò)空間中導(dǎo)航的能力受到了限制。對于必須使用語音來控制輪椅、與網(wǎng)站交互和操作周圍設(shè)備的人員而言，自然語言處理是生活必需品。通過提高對語音命令的響應(yīng)能力，BERT 等技術(shù)可以提高生活質(zhì)量，甚至可以在需要快速響應(yīng)環(huán)境的情況下提高人身安全。

BERT 的重要意義

機器學(xué)習(xí)研究人員

BERT 在自然語言處理方面引發(fā)的變革等同于計算機視覺領(lǐng)域的 AlexNet，在該領(lǐng)域具有顯著的革命性意義。僅需替換網(wǎng)絡(luò)的最后一層，便可針對一些新任務(wù)定制網(wǎng)絡(luò)，這項功能意味著用戶可輕松將其應(yīng)用于任何感興趣的研究領(lǐng)域。無論用戶的目標(biāo)是翻譯、情感分析還是執(zhí)行一些尚未提出的新任務(wù)，都可以快速配置網(wǎng)絡(luò)以進(jìn)行嘗試。截至目前，有關(guān)該模型的引文超過 8000 篇，其衍生用例不斷證明該模型在處理語言任務(wù)方面的先進(jìn)水平。

軟件開發(fā)者

由于針對大型數(shù)據(jù)集預(yù)先訓(xùn)練過的模型的廣泛可用性，BERT 大大減少了先進(jìn)模型在投入生產(chǎn)時受到的計算限制。此外，將 BERT 及其衍生項納入知名庫（如 Hugging Face）意味著，機器學(xué)習(xí)專家不需要啟動和運行基礎(chǔ)模型了。

BERT 在自然語言解讀方面達(dá)到了新的里程碑，與其他模型相比展現(xiàn)了更強大的功能，能夠理解更復(fù)雜的人類語音并能更精確地回答問題。

BERT 為何可在 GPU 上表現(xiàn)更突出

對話式 AI 是人類與智能機器和應(yīng)用程序（從機器人和汽車到家庭助手和移動應(yīng)用）互動的基礎(chǔ)構(gòu)建塊。讓計算機理解人類語言及所有細(xì)微差別，并做出適當(dāng)?shù)姆磻?yīng)，這是 AI 研究人員長期以來的追求。但是，在采用加速計算的現(xiàn)代 AI 技術(shù)出現(xiàn)之前，構(gòu)建具有真正自然語言處理 (NLP) 功能的系統(tǒng)是無法實現(xiàn)的。

BERT 在采用 NVIDIA GPU 的超級計算機上運行，以訓(xùn)練其龐大的神經(jīng)網(wǎng)絡(luò)并實現(xiàn)超高的 NLP 準(zhǔn)確性，從而影響已知的人類語言理解領(lǐng)域。雖然目前有許多自然語言處理方法，但讓 AI 具有類似人類的語言能力仍然是難以實現(xiàn)的目標(biāo)。隨著 BERT 等基于 Transformer 的大規(guī)模語言模型的出現(xiàn)，以及 GPU 成為這些先進(jìn)模型的基礎(chǔ)設(shè)施平臺，我們看到困難的語言理解任務(wù)快速取得了進(jìn)展。數(shù)十年來，這種 AI 一直備受期待。有了 BERT，這一刻終于到來了。

模型復(fù)雜性提升了 NLP 準(zhǔn)確性，而規(guī)模更大的語言模型可顯著提升問答、對話系統(tǒng)、總結(jié)和文章完結(jié)等自然語言處理 (NLP) 應(yīng)用程序的技術(shù)水平。BERT-Base 使用 1.1 億個參數(shù)創(chuàng)建而成，而擴(kuò)展的 BERT-Large 模型涉及 3.4 億個參數(shù)。訓(xùn)練高度并行化，因此可以有效利用 GPU 上的分布式處理。BERT 模型已證明能夠有效擴(kuò)展為 39 億個參數(shù)的 Megatron-BERT 等大規(guī)模模型。

BERT 的復(fù)雜性以及訓(xùn)練大量數(shù)據(jù)集方面的需求對性能提出了很高的要求。這種組合需要可靠的計算平臺來處理所有必要的計算，以實現(xiàn)快速執(zhí)行并提高準(zhǔn)確性。這些模型可以處理大量無標(biāo)記數(shù)據(jù)集，因此成為了現(xiàn)代 NLP 的創(chuàng)新中心，另外在很多用例中，對于即將推出的采用對話式 AI 應(yīng)用程序的智能助手而言，這些模型都是上佳之選。

NVIDIA 平臺提供可編程性，可以加速各種不同的現(xiàn)代 AI，包括基于 Transformer 的模型。此外，數(shù)據(jù)中心擴(kuò)展設(shè)計加上軟件庫，以及對先進(jìn) AI 框架的直接支持，為承擔(dān)艱巨 NLP 任務(wù)的開發(fā)者提供無縫的端到端平臺。

在使用 NVIDIA 的 DGX SuperPOD 系統(tǒng)（基于連接了 HDR InfiniBand 的大規(guī)模 DGX A100 GPU 服務(wù)器集群）進(jìn)行的一項測試中，NVIDIA 使用 MLPerf Training v0.7 基準(zhǔn)實現(xiàn)了 0.81 分鐘的 BERT 訓(xùn)練時間，創(chuàng)造了記錄。相比之下，Google 的 TPUv3 在同一測試中所用時間超過了 56 分鐘。

審核編輯 ：李倩