摘要：最强 NLP 模型谷歌 BERT 狂破 11 项纪录，全面超越人类，本文通过可视化带你直观了解它。
2018 年是自然语言处理（Natural Language Processing, NLP）领域的转折点，一系列深度学习模型在智能问答及情感分类等 NLP 任务中均取得了最先进的成果。近期，谷歌提出了 BERT 模型，在各种任务上表现卓越，有人称其为“一个解决所有问题的模型”。
BERT 模型的核心思想有两点，对推动 NLP 的发展有着重要的作用:（1）Transformer 结构；（2）无监督的预训练。Transformer 是一个只基于注意力（Attention）机制的序列模型，《Attention is all you need》一文中指出，它摒弃了固有的定式，没有采用 RNN 的结构。BERT 模型同时需要预训练，从两个无监督任务中获取权重：语言建模 (给定左右上下文，预测丢失的单词) 以及下一个句子预测(预测一个句子是否跟在另一个句子后面)。
BERT 是个“多头怪”
BERT 与传统的注意力模型有所不同，它并非在 RNN 的隐藏状态上直接连接注意力机制。BERT 拥有多层注意力结构（12 层或 24 层，取决于模型），并且在每个层（12 层或 16 层）中都包含有多个“头”。由于模型的权重不在层与层之间共享，一个 BERT 模型相当于拥有 24×16=384 种不同的注意力机制。
BERT 可视化
BERT 模型较为复杂，难以直接理解它学习的权重的含义。深度学习模型的可解释性通常不强，但我们可以通过一些可视化工具对其进行理解。Tensor2Tensor 提供了出色的工具对注意力进行可视化，我结合 PyTorch 对 BERT 进行了可视化。点击查看详情。
该工具将注意力可视化为连接被更新位置（左）和被关注位置（右）之间的连线。不同的颜色对应不同的“注意力头”，线段宽度反映注意力值的大小。在该工具的顶部，用户可以选择模型层，以及一个或者多个“注意力头”（通过点击顶部颜色切换，一共包含 12 个不同的“头”）
BERT 到底学习什么？
该工具能用于探索预先训练的 BERT 模型的各个层以及头部的注意模式。以下列输入值为例进行详解：
句子 A：I went to the store. 句子 B：At the store, I bought fresh strawberries.
BERT 采用 WordPiece tokenization 对原始句子进行解析，并使用 [CLS] 对 token 进行分类以及 [SEP] 对 token 进行分隔，则输入的句子变为：[CLS] i went to the store. [SEP] at the store, i bought fresh straw ##berries. [SEP]
接下来我将确定 6 个关键模式，并展示每个模式特定层 / 头的可视化效果。
模式 1：下一个单词的注意力（Attention to next word）
在该模式下，特定单词的大部分注意力都集中在序列中该单词的下一个 token 处。如下图所示，我们以第二层的 head 0 为例（所选头部由顶部颜色栏中突出显示的正方形表示）。左边图中展示了所有 token 的注意力，右边则显示了特定 token（“i”）的注意力。“i”几乎所有的注意力都集中在它的下一个 token，即“went”处。
左图中，[SEP]指向了[CLS]，而非“at”，也就是说，指向下一个单词的这种模式只在句子中起作用，而在句子间的效果较弱。该模式类似于 RNN 中的 backward，状态从右往左依次更新。
模式 2：前一个单词的注意力（Attention to previous word）
在该模式下，特定单词的大部分注意力都集中在序列中该单词的前一个 token 处。本例中，“went”的大部分注意力集中于它的前一个单词“i”。模式 2 不如模式 1 明显，特定的单词注意力有所分散。该过程与 RNN 中的 forward 类似。
模式 3：相同 / 相关单词的注意力（Attention to identical/related words）
在该模式下，特定单词的大部分注意力集中于与其相同或者相关的单词，包括该单词本身。下图中，“store”的大部分注意力集中在它本身。由于注意力有所分散，该模式也不明显。
模式 4：其它句子中相同 / 相关单词的注意力（Attention to identical/related words in other sentence）
在该模式中，注意力集中在其它句子中与指定单词相同或者相似的单词。如下图，第二个句子中的“store”与第一个句子中的“store”关联最强。这对于下一个句子预测任务非常有帮助，它能够帮助识别句子之间的关系。
模式 5：预测单词的注意力（Attention）
在该模式下，注意力集中于其它可以预测源单词的单词上，且不包括源单词本身。如下图，“straw”的注意力主要集中于“##berries”，而“##berries”的注意力主要集中于“straw”。
模式 6：分隔符标记的注意力（Attention to delimiter tokens）
在该模式下，特定单词的注意力主要集中于分隔符，[CLS]或 [SEP] 中。如下图，大多数的注意力都集中在两个 [SEP] 中，这或许是模型将语句级别状态传递到各个 token 中的一种方法。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。