BERT的训练过程与推理过程

BERT的核心流程分为预训练（无监督学习通用语言知识）和微调（监督学习适配下游任务），而推理则是基于微调后的模型对新数据进行预测。以下结合具体实例详细说明。

一、预训练过程：学习通用语言表示

预训练是BERT的“筑基阶段”，通过无标注文本学习语言规律，核心任务为Masked Language Model（MLM） 和Next Sentence Prediction（NSP）。

1. 数据准备

• 语料来源：大规模无标注文本（如BooksCorpus、Wikipedia），示例文本片段：
  “自然语言处理是人工智能的重要分支。它研究计算机与人类语言的交互。”
• 预处理步骤：
  1. 分词：用WordPiece分词工具拆分文本为子词（Subword）。例如“人工智能”→“人工”+“智能”；“交互”→“交”+“互”。
  2. 构造输入序列：对单句或句子对添加特殊符号，最长长度限制为512 Token。
     • 单句格式：[CLS] 自然 语言 处理 是 人工 智能 的 重要 分支 。 [SEP]
     • 句子对格式：[CLS] 自然 语言 处理 是 人工智能 的 重要 分支 。 [SEP] 它 研究 计算机 与 人类 语言 的 交互 。 [SEP]

2. MLM任务训练（核心）

目标：随机掩盖部分Token，让模型预测被掩盖的Token，强制学习双向上下文。

• 具体操作：
  从输入序列中随机选择15%的Token进行处理：
  • 80%概率替换为[MASK]：
    原序列：[CLS] 自然 语言 处理 是 人工 智能 的 重要 分支 。 [SEP]
    处理后：[CLS] 自然 [MASK] 处理 是 人工 智能 的 [MASK] 分支 。 [SEP]
    （需预测被掩盖的“语言”和“重要”）
  • 10%概率替换为随机Token：
    处理后：[CLS] 自然 图像 处理 是 人工 智能 的 重要 分支 。 [SEP]
    （“语言”被随机替换为“图像”，模型需识别错误并预测正确Token）
  • 10%概率不替换（保持原Token）：
    处理后：[CLS] 自然 语言 处理 是 人工 智能 的 重要 分支 。 [SEP]
    （模型需“假装”不知道哪些Token被掩盖，避免依赖[MASK]符号）
• 损失计算：对被掩盖的Token，通过输出层的Softmax计算预测概率，用交叉熵损失优化模型，让预测值接近真实Token。

3. NSP任务训练

目标：让模型学习句子间的逻辑关系，判断句子对是否连续。

• 具体操作：
  构造句子对（A, B），50%为真实连续句（正例），50%为随机拼接句（负例）：
  • 正例：A=“自然语言处理是人工智能的重要分支。”，B=“它研究计算机与人类语言的交互。”（B是A的下一句）。
  • 负例：A=“自然语言处理是人工智能的重要分支。”，B=“猫是一种常见的家养宠物。”（B与A无关）。
    输入序列格式：[CLS] A [SEP] B [SEP]，并添加Segment Embedding（A部分为0，B部分为1）。
• 损失计算：通过[CLS]Token的输出向量接二分类层，用交叉熵损失优化模型，区分正例（标签1）和负例（标签0）。

4. 预训练优化

• 训练配置：BERT-Base使用12层Transformer，批量大小256，训练步数100万，优化器为Adam（学习率5e-5，β1=0.9，β2=0.999）。
• 正则化：每层加入Dropout（概率0.1），防止过拟合；使用层归一化稳定训练。
• 硬件支持：需大规模GPU集群（如16块TPU，训练约4天），通过梯度累积处理大批次数据。

二、微调过程：适配下游任务

预训练完成后，模型已具备通用语言理解能力，微调阶段需针对具体任务（如情感分析、问答）调整输出层并优化参数。以下以情感分析任务（判断文本为“正面”或“负面”）为例说明。

1. 任务定义与数据

• 任务目标：输入文本（如“这部电影剧情紧凑，演员演技出色！”），输出情感标签（正面/负面）。
• 微调数据：带标签的情感语料，示例：

  文本	标签
  “这部电影剧情紧凑，演员演技出色！”	正面
  “画面模糊，音效刺耳，不推荐观看。”	负面

2. 输入处理

• 单句输入格式：[CLS] 这 部 电影 剧情 紧凑 ， 演员 演技 出色 ！ [SEP]
• 嵌入向量构造：同预训练，包含Token Embedding（子词向量）、Segment Embedding（全为0，因单句）、Position Embedding（位置编码）。

3. 模型结构调整

• 复用预训练的Transformer编码器，仅在输出层添加分类头：
  取[CLS]Token经过12层Transformer后的输出向量（768维），接入全连接层+Softmax，输出“正面”“负面”的概率。
  即：$P(正面/负面)=Softmax(W\cdot H_{[CLS]}+b)$，其中$H_{[CLS]}$是[CLS]的最终向量，$W$和$b$是微调阶段待学习的参数。

4. 微调训练

• 参数设置：冻结部分底层Transformer参数（或微调所有参数），学习率设为2e-5（低于预训练，避免破坏预训练知识），批量大小32，训练轮次3-5轮。
• 损失计算：对每个样本，用交叉熵损失计算预测概率与真实标签的差异，通过反向传播更新分类头和少量Transformer参数。
• 早停策略：用验证集监控性能，若连续多轮无提升则停止训练，防止过拟合。

三、推理过程：对新数据预测

微调完成后，模型可对未标注的新文本进行情感预测，推理过程即模型的前向传播计算。

1. 推理输入预处理

• 输入新文本：“这部电影的特效震撼，剧情感人至深。”
• 分词与格式转换：
  分词后：[CLS] 这 部 电影 的 特效 震撼 ， 剧情 感人 至 深 。 [SEP]
  转换为嵌入向量：Token Embedding + Segment Embedding（全0） + Position Embedding。

2. 模型前向传播

• 嵌入向量输入12层Transformer编码器：
  每层通过多头自注意力捕捉Token间关联（如“特效”与“震撼”、“剧情”与“感人”的语义强化），前馈网络进行非线性变换，最终输出每个Token的上下文向量。
• 提取[CLS]向量：H_{[CLS]}（768维）聚合了整个句子的情感语义。

3. 输出预测结果

• H_{[CLS]}输入分类头，计算概率：
  $P(正面)=0.92$，$P(负面)=0.08$。
• 决策：取概率最高的标签，输出“正面”。

四、训练与推理的核心区别

维度	预训练过程	微调过程	推理过程
数据类型	无标注文本（大规模）	有标注任务数据（小规模）	无标注新文本（单条/批量）
目标	学习通用语言规律（MLM+NSP）	适配具体任务（如情感分类）	输出新数据的预测结果
参数更新	全量参数优化（数百万步）	少量参数微调（数轮）	无参数更新（仅前向传播）
计算复杂度	极高（需大规模算力）	中等（单GPU可完成）	低（实时响应）

五、总结

BERT的训练过程通过“预训练筑基+微调适配”实现知识迁移：预训练用无监督任务从海量文本中学习语言本质，微调则用少量标注数据将通用知识转化为任务能力；而推理则是微调后模型对新数据的高效预测。这种模式大幅降低了NLP任务的落地门槛，成为现代自然语言处理的核心范式。