昨晚和一个朋友吃饭，他是一家公司的部门技术负责人，因为我们都是做自然语言处理的，我问他最近找工作的应该挺多的吧，他点了点头，然后和我吐槽前两天面试的一个工作3年的程序员，原来是做NLP的，这次也是面试NLP工程师，问到BERT，竟然一问三不知！我问这个朋友，你当时问了哪些问题？他说是以下几个：
1. BERT为什么效果这么好？
2. 同是“双向”的，ELMo和BERT有啥区别？
3. BERT的MASK语料具体如何处理的？
我想，这些确实不算难，接触过BERT的人都应该知道。
BERT是近年来NLP领域备受关注的顶流了！BERT发表于论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》，作者来自谷歌。
BERT是Bidirectional Encoder Representations from Transformers的缩写，BERT在11项NLP任务上刷新了记录，并且相比原有最好成绩提升了很多！
BERT使用了Transformer作为其主要框架，关于Transformer，我们之前详细讲解过了：今日头条面试，这几个坑爹问题让我与50w年薪擦肩而过...，所以BERT有着更彻底的双向训练语言模型，能够更好捕获语句的上下文信息。BERT使用了Mask Language Model(MLM)这一技术，使得BERT能够训练双向语言模型。除此之外，BERT使用了更多机器和更多语料训练模型。
BERT使用Transformer的Encoder部分，和Transformer一样，彻底抛弃了RNN结构，可以并行加速。
在之前，我们提到过ELMo，虽然都说是“双向”的，但目标函数其实是不同的。ELMo是分别以
和
作为目标函数，训练后拼接在一起，而BERT则是以
直接作为目标函数训练，所以可以理解为BERT是真正的双向！
Embedding
对于一个给定的token，输入可以表示为WordPiece 嵌入、分割嵌入和位置嵌入。
WordPiece 嵌入：指将单词划分成一组有限的公共子词，能在单词的有效性和字符的灵活性之间取得一个折中的平衡，例如下图第一行中的‘playing’被拆分成了‘play’和‘ing’。
位置嵌入（Position Embedding）：位置嵌入是指将单词的位置信息编码成特征向量，这些特征向量可以代表单词的位置关系，类似之前Transformer中的位置向量，但是使用的并不是三角函数生成位置向量。
分割嵌入（Segment Embedding）：用于区分两个句子。
三种嵌入对应位置相加，如下图所示：
在BERT中，句子的第一个token是一个特殊的用来标记分类的token（[CLS]），[SEP]表示分句符号，用于分隔不同的句子。
BERT的Masked LM
在BERT中，随机MASK掉语料中15%的token，然后来预测这些token，这很像我们做过的完形填空。又因为这个MASK的特殊标记在NLP的下游任务中不存在，为了和下游任务保持一致，作者按照如下的比例将原始15%MASK的位置替换如下，例如对于“my doy is hairy”这句话：
有80%的概率用[MASK]标记来替换，替换后：“my dog is [MASK]"
有10%的概率用随机的一个单词（token）来替换，替换后：“my doy is apple”
有10%的概率不做替换，仍然为：“my doy is hairy”
BERT的Next Sentence Prediction (NSP) 下一句预测
BERT为了让下游的问答（QA）和自然语言推理（NLI）任务能够进行，增加了另一个预训练任务，在 BERT 的训练过程中，模型将两个句子为一对作为输入，预测第二个句子是否在原始文档中是第一句的后续句子。
其中，50％ 的输入句子对是在原始文档中确实是前后句子关系（标注为IsNext），而另50％ 中的第一个句子的下一句是从语料库中随机选择的（标注为NotNext），如下图所示：
微调（Fine-tuning）
在大量语料上训练完BERT之后，就可以将预训练的BERT应用在各个任务中了，在BERT的基础上增加一个输出层，就可以对特定任务微调，如下图所示，
表示第 
个Token在经过BERT处理之后得到的特征向量。
例如我们做的是分类任务，我们需要做以下操作：
在 BERT的输出上添加一个分类层（用某维度矩阵乘以输出向量，将其转换为分类类别的维度），用 softmax 计算每个类别的概率。
论文使用了两种模型：
BERT（BASE）: L=12, H=768, A=12, Total Parameters=110M
BERT（LARGE）: L=24, H=1024, A=16, Total Parameters=340M
这里 L 是 layers 层数(也就是Transformer 中编码器部分的blocks个数)，H是词向量Embedding的维度, A 是多头self-attention 的“头数”。
最后看看BERT在各个任务上的表现吧，各种碾压了！
相信文章开头的面试题大家心里都有答案了~