greysun / bert-pytorch

BERT 源码阅读

BERT-Pytorch 源码阅读

---

[TOC]

1. 整体描述

BERT-Pytorch 在分发包时，主要设置了两大功能：

• bert-vocab ：统计词频，token2idx, idx2token 等信息。对应 bert_pytorch.dataset.vocab 中的 build 函数。
• bert：对应 bert_pytorch.__main__ 下的 train 函数。

为了能够调试，我重新建立了两个文件来分别对这两大功能进行调试。

1. bert-vocab

python3 -m ipdb test_bert_vocab.py  # 调试 bert-vocab

其实 bert-vocab 内部并没有什么重要信息，无非就是一些自然语言处理中常见的预处理手段， 自己花个十分钟调试一下就明白了， 我加了少部分注释， 很容易就能明白。

内部继承关系为：

TorchVocab --> Vocab --> WordVocab

2. 模型架构

• 调试命令：

python3 -m ipdb test_bert.py -c data/corpus.small -v data/vocab.small -o output/bert.model

从模型整体上看， 分为两大部分： MaskedLanguageModel 与 NextSentencePrediction ，并且二者都以 BERT 为前置模型，在分别加上一个全连接层与 softmax 层来分别获得输出。

这段代码相对很简单，十分容易理解，略过。

1. Bert Model

这部分其实就是 Transformer Encoder 部分 + BERT Embedding， 如果不熟悉 Transformer 的同学，恰好可以从此处来加深理解。

这部分源码阅读建议可先大致浏览一下整体， 有一个大致的框架，明白各个类之间的依赖关系，然后从细节到整体逐渐理解，即从上图看，从右往左读，效果会更好。

1. BERTEmbedding

分为三大部分：

• TokenEmbedding ： 对 token 的编码，继承于 nn.Embedding， 默认初始化为 ：N(0,1)
• SegmentEmbedding: 对句子信息编码，继承于 nn.Embedding， 默认初始化为 ：N(0,1)
• PositionalEmbedding: 对位置信息编码， 可参见论文，生成的是一个固定的向量表示，不参与训练

这里面需要注意的就是 PositionalEmbedding， 因为有些面试官会很抠细节，而我对这些我觉得对我没有啥帮助的东西，一般了解一下就放过了，细节没有抠清楚，事实证明，吃亏了。

2. Transformer

这里面的东西十分建议对照论文一起看，当然，如果很熟的话可以略过。 我在里面管家的地方都加上了注释，如果还是看不懂的话可以提 issue， 这里就不赘述了。

最后

我个人觉得 Google 这个代码写的真的是漂亮， 结构很清晰， 整个看下来不用几个小时就能明白了， 推荐采用我的那种调试方式从头到尾调试一遍，这样会更清晰。

觉得不错，点个赞可好。