最近被 Google 的 BERT （Bidirectional Encoder Representations from Transfoemers）模型给刷屏了。第一作者还在 Reddit 上进行了解答说明，具体可以戳：这里 ，本文为了便于学习，翻译了第一作者的解读说明，不妥则删。
像承诺的一样，谷歌公开了关于 BERT 模型的代码，感兴趣的可以在 Colab 上使用免费 TPU 微调 BERT，具体可以戳：这里。也可以看看谷歌官方项目地址。
解读说明正文开始：
基本的想法是非常简单的。最近几年，人们在将预训练 DNNs 模型作为一个语言模型并采用微调（fine-tuning）方法在一些下游 NLP 任务（如，问题回答，自然语言推断，情感分析等等）上已经取得了非常好的结果。
语言模型通常是从左到右的，例如：
"the man went to a store"
P(the | <s>)*P(man|<s> the)*P(went|<s> the man)*...
问题是对于下游任务来说，你通常不需要一个语言模型，需要的是：对于每个单词来说，尽可能有最好的上下文表示。如果每个单词，只能知道左边的情况，很明显这是有遗失的。所以，人们发现的一个技巧是从右到左训练一个模型，例如：
P(store|</s>)*P(a|store </s>)*...
目前为止，我们有了每个单词的两种表达方式。一个是从左到右，一个是从右到左。可以将它们结合在一起来解决下游任务。
直观上来说，如果我们训练一个深度的双向模型的话结果可能会好得多。但是不幸的是，不可能像训练普通的 LM 模型一样去训练深度双向模型。因为这会产生一些循环，在这些循环中，单词可以间接地“看到它们自己”，并且预测会变得微不足道。
然而，可以取而代之的是一个非常简单的技巧，其被用于降噪自动编码器中（de-noise auto-encoders），即从输入中掩盖一定比例的单词并从上下文中重构这些单词。我们称之为 “masked LM”，但是经常也被称为完形填空任务（Cloze task）
任务 1: Masked LM(Language Model)
Input:
the man [MASK1] to [MASK2] store
Label:
[MASK1] = went; [MASK2] = a
特别地，我们通过一个深度转换编码器来提供输入，然后用被掩盖位置的最终隐藏状态来预测被掩盖的单词，就像我们训练语言模型一样。LM 模型缺失的另一样东西是它不能理解句子之间的关系，这个关系在很多的 NLP 任务中都是非常重要的。为了预训练一个句子关系模型，我们使用一个非常简单的二元分类任务，即连接两个句子 A 和 B 并预测 B 是否实际处于原始文本中的 A 之后。
任务 2：Next Sentence Prediction
Input:
the man went to the store [SEP] he bought a gallon of milk
Label:
IsNext
Input:
the man went to the store [SEP] penguins are flightless birds
Label:
NotNext
然后，我们只需要在很大的文本上（我们使用了维基百科 + 一些免费电子书的集合，是一些 NLP 研究人员去年公开发布的）为很多步骤（steps）训练一个非常大的模型。为了适应某些下游任务，你只需对该任务模型的标签微调几个 epoch。
通过这样做，我们在我们尝试的每个 NLP 任务上都获得了相对于 SOTA 的巨大改进，几乎不需要任何特定任务就可以对我们的模型进行任何更改。
但对我们来说，真正令人惊讶和意想不到的是，当我们从一个大型模型（12 个转换区块，768 个隐藏层，110M 参数）变成一个非常大的模型（24 个转换区块，1024 个隐藏层，340M 参数）时，我们得到了即使在非常小的数据集上也有巨大的改进（小 == 少于5,000个标记的例子）的结果。
我们也百分百愿意在接下来的 2-3 周内发布预训练的模型和用于主要结果的自动化复现代码。（在单个 GPU 上复现微调最多需要几个小时）。
以上是正文的全部。
最后，作者还在评论里提到使用 Google 的 TPU 的话，训练效率将比一般的要高。16 个 TPU 就有很强的运算能力。以及由于预训练的复现对于 Google 之外的几乎所有人来说都不可行，并且预训练数据处理是使用 Google 的并行计算框架和 C++ 编写的，他们无法重新发布数据（即使它是公开的，他们也不会在可预见的未来发布预训练复现的代码。）但实际的 TensorFlow 方面对于预训练和微调是 99％ 相同。
附上我对这篇论文的笔记：BERT – 用于语言理解的深度双向预训练转换器
