keras 版本的bert源碼
tensorflow版本的bert源碼

環境要求：python版本>=3.5,tensorflow版本>=1.10（筆者使用的是1.12） pip install bert-serving-server pip install bert-serving-client 下載訓練好的BERT中文模型：https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip bert-serving-start -model_dir ./chinese_L-12_H-768_A-12 -num_worker=2 from bert_serving.client import BertClient bc = BertClient() g=bc.encode(['你好']) In [4]: g.shape Out[4]: (1, 768)

大家記住768這個數字

我只問一個問題，那就是bert 詞向量化輸出的是什么？
在這個問題之前，大家可以想想，word2vec 輸出的是什么？
大家可以看看這篇文章大白話講解word2vec到底在做些什么
我們要獲取的dense vector其實就是Hidden Layer的輸出單元。有的地方定為Input Layer和Hidden Layer之間的權重

我看了bert的tensorflow 源碼，大家可以看看bert tensorflow 源碼的36行和877行，都出現了 hidden_size=768

def __init__(self,vocab_size,＃大家看看下面這個768hidden_size=768,num_hidden_layers=12,num_attention_heads=12,intermediate_size=3072,hidden_act="gelu",hidden_dropout_prob=0.1,attention_probs_dropout_prob=0.1,max_position_embeddings=512,type_vocab_size=16,initializer_range=0.02): # Down-project back to `hidden_size` then add the residual.with tf.variable_scope("output"):layer_output = tf.layers.dense(intermediate_output,hidden_size,kernel_initializer=create_initializer(initializer_range))layer_output = dropout(layer_output, hidden_dropout_prob)layer_output = layer_norm(layer_output + attention_output)prev_output = layer_outputall_layer_outputs.append(layer_output)

我又看了bert keras 版本，在源碼的47行和121行都出現了 embed_dim=768

def get_model(token_num,pos_num=512,seq_len=512,embed_dim=768,transformer_num=12,head_num=12,feed_forward_dim=3072,dropout_rate=0.1,attention_activation=None,feed_forward_activation='gelu',training=True,trainable=None,output_layer_num=1): mlm_dense_layer = keras.layers.Dense(units=embed_dim,activation=feed_forward_activation,name='MLM-Dense',)(transformed)mlm_norm_layer = LayerNormalization(name='MLM-Norm')(mlm_dense_layer)mlm_pred_layer = EmbeddingSimilarity(name='MLM-Sim')([mlm_norm_layer, embed_weights])masked_layer = Masked(name='MLM')([mlm_pred_layer, inputs[-1]])extract_layer = Extract(index=0, name='Extract')(transformed)nsp_dense_layer = keras.layers.Dense(units=embed_dim,activation='tanh',name='NSP-Dense',)(extract_layer)nsp_pred_layer = keras.layers.Dense(units=2,activation='softmax',name='NSP',)(nsp_dense_layer)

結論：
word2vec本質上就是一個三層的神經網絡，word2vec輸出的是隱藏層到輸出層權重矩陣的某一行，

bert是一個8層的神經網絡，分別是
1.Dense＝>
2.LayerNormalization=>
3.EmbeddingSimilarity=>
5.Masked=>
6Extract=>
7Dense=>(這一層的神經元個數是768)
8Dense=>

bert的深度更加深，所以訓練的時間要長，并且bert 詞向量的長度是固定的，要想改變，需要改變網絡參數，重新訓練

總結

以上是生活随笔為你收集整理的bert 大白话的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。