当前位置：首页 > news >正文

NLP学习笔记13：BERT系列模型——从预训练到 RoBERTa 与 ALBERT

news 2026/4/20 2:27:38

NLP学习笔记13：BERT系列模型——从预训练到 RoBERTa 与 ALBERT

作者：Ye Shun
日期：2026-04-19

一、前言

在现代自然语言处理的发展历程中，BERT（Bidirectional Encoder Representations from Transformers）是一个里程碑式模型。

它由 Google 在 2018 年提出，最重要的意义不只是“又一个新模型”，而是它真正推动了 NLP 研究范式的转变：

从任务专用模型转向通用预训练模型
从大量人工特征工程转向端到端表示学习
从“为每个任务重新建模”转向“预训练 + 微调”

在 BERT 出现之前，虽然词向量、RNN、LSTM、Attention、Transformer 已经为 NLP 奠定了很多基础，但真正让“预训练语言模型”大规模走进主流应用的，是 BERT 及其后续变体。

这篇笔记将系统介绍：

BERT 的核心结构与输入表示
BERT 的两个经典预训练任务
BERT 为什么能实现双向上下文建模
BERT 的微调方式与实践建议
主流 BERT 变体模型的核心改进
中文 BERT 模型的使用思路

二、BERT 是什么

BERT 全称是：

Bidirectional Encoder Representations from Transformers

直译过来就是：

基于 Transformer 的双向编码表示

这个名字里有两个特别重要的关键词：

1. Encoder

BERT 使用的是 Transformer 的编码器（Encoder）部分，而不是完整的 Encoder-Decoder 架构。

这意味着 BERT 更擅长：

句子理解
文本表示
分类
序列标注
句子匹配

而不是直接做开放式长文本生成。

2. Bidirectional

BERT 最大的创新之一，是它能够在预训练时同时利用：

左侧上下文
右侧上下文

也就是说，BERT 不再像传统单向语言模型那样只能“从左往右”或“从右往左”看文本，而是尽可能同时理解两边信息。

这就是它所谓的双向上下文建模能力。

三、BERT 的输入表示

虽然我们输入给 BERT 的是文本，但模型真正接收的是向量。

BERT 的输入表示通常由三部分相加得到：

1. Token Embeddings

Token Embedding 表示词或子词本身的语义信息。

例如：

“自然”
“语言”
“处理”

在进入模型前，都会先被转换为向量。

2. Position Embeddings

Transformer 本身没有循环结构，因此无法天然感知词序。

所以 BERT 会加入位置嵌入，让模型知道：

当前 token 在序列中的第几个位置

3. Segment Embeddings

在句对任务中，例如：

句子 A
句子 B

BERT 需要区分这两个句子分别属于哪一段，因此会加入 Segment Embedding。

例如：

句子 A 的 token 对应 segment id = 0
句子 B 的 token 对应 segment id = 1

4. 特殊标记

BERT 还会在输入序列中引入一些特殊 token：

[CLS]：放在序列开头，常用于分类任务
[SEP]：用于分隔句子
[MASK]：预训练时用于掩码预测

例如句对输入常写成：

[CLS] 句子A [SEP] 句子B [SEP]

四、BERT 的核心架构

BERT 基于 Transformer Encoder 堆叠而成。

每一层编码器主要包括：

多头自注意力机制（Multi-Head Self-Attention）
前馈神经网络（Feed-Forward Network）
残差连接（Residual Connection）
层归一化（LayerNorm）

可以把 BERT 理解为：

多层 Transformer 编码器叠加起来，对每个输入位置生成上下文相关的表示。

一个简化的编码器层示意如下：

classTransformerEncoderLayer(nn.Module):def__init__(self,d_model,nhead,dim_feedforward=2048):super().__init__()self.self_attn=MultiheadAttention(d_model,nhead)self.linear1=nn.Linear(d_model,dim_feedforward)self.linear2=nn.Linear(dim_feedforward,d_model)self.norm1=nn.LayerNorm(d_model)self.norm2=nn.LayerNorm(d_model)defforward(self,src):src2=self.self_attn(src,src,src)[0]src=src+self.norm1(src2)src2=self.linear2(F.relu(self.linear1(src)))src=src+self.norm2(src2)returnsrc

虽然这只是一个非常简化的结构，但已经体现了 BERT 的核心计算思路。

五、BERT 的两个经典预训练任务

BERT 之所以能学到强大的语言表示能力，关键在于它使用了两个经典的预训练任务。

1. 掩码语言模型（Masked Language Model, MLM）

这是 BERT 最核心的训练方式。

做法是：

在输入序列中随机选取 15% 的 token
对这些 token 做遮盖、替换或保持不变
让模型根据上下文预测原始词

例如：

原句：预训练模型很强大
输入：预训练 [MASK] 很强大
目标：预测模型

MLM 的优点非常重要：

因为被遮住的位置不能直接看到自己
所以模型必须综合利用左右两侧上下文

这正是 BERT 双向建模能力的关键来源。

2. 下一句预测（Next Sentence Prediction, NSP）

BERT 原始论文中还引入了 NSP 任务，用来判断两个句子是否在原文中连续出现。

例如：

正样本：

句子 A：预训练模型很强大
句子 B：它们可以迁移到很多任务中

负样本：

句子 A：预训练模型很强大
句子 B：今天天气不错

NSP 的目标是帮助模型学习：

句间关系
句子连贯性
语篇层次信息

不过后来很多研究发现，NSP 并不是 BERT 成功的决定性因素，因此后续一些变体模型（例如 RoBERTa）会选择移除它。

六、BERT 为什么重要

BERT 的意义并不只是“效果更好”，而是它几乎重塑了 NLP 的标准工作流。

1. 统一了很多理解类任务的建模方式

很多任务都可以基于 BERT 的输出再接一层任务头来完成：

文本分类
情感分析
句子匹配
命名实体识别
问答

2. 极大减少了特征工程需求

过去做很多任务时需要手工设计：

词频特征
n-gram 特征
词典特征
句法特征

而 BERT 往往通过预训练自动学到了更丰富、更抽象的语义表示。

3. 推动了“预训练 + 微调”范式普及

从 BERT 之后，NLP 中大量任务的标准流程变成：

选择一个预训练模型
针对具体任务加载任务头
用少量下游数据微调
得到可用模型

这套思路影响深远，后面的 RoBERTa、ALBERT、ELECTRA、DeBERTa 乃至大语言模型，都延续了这种思路。

七、BERT-base 与 BERT-large

BERT 原始论文中最常见的两个版本是：

参数	BERT-base	BERT-large
层数	12	24
隐藏维度	768	1024
注意力头数	12	16
参数量	110M	340M

通常来说：

BERT-base更适合教学、实验和普通任务
BERT-large效果更强，但训练和推理成本更高

八、BERT 的微调方式

BERT 的一个巨大优势是：微调非常方便。

不同任务只需要在 BERT 输出的基础上接一个小型任务层即可。

1. 文本分类

对于分类任务，最常见的做法是使用[CLS]对应的向量，接一个全连接层进行分类。

例如：

情感分析
新闻分类
意图识别

2. 序列标注

对于 NER、词性标注这类任务，通常使用：

每个 token 的输出向量

再接分类器预测标签。

3. 问答任务

对于抽取式问答，常见做法是预测：

答案起始位置
答案结束位置

4. 典型微调流程

一个标准流程通常如下：

加载预训练模型
准备下游任务数据
添加任务输出层
使用较小学习率微调
在验证集上监控效果

示例如下：

fromtransformersimportBertForSequenceClassification,Trainer model=BertForSequenceClassification.from_pretrained("bert-base-uncased")trainer=Trainer(model=model,args=training_args,train_dataset=train_dataset,eval_dataset=eval_dataset,)trainer.train()

九、BERT 微调中的实践建议

1. 学习率要小

BERT 在预训练阶段已经学到很强的通用能力，因此微调时通常使用较小学习率，例如：

2e-5
3e-5
5e-5

如果学习率过大，容易破坏预训练好的参数。

2. epoch 不需要太多

很多下游任务中：

2 到 4 个 epoch 往往就足够

训练太久反而可能过拟合。

3. batch size 常用 16 或 32

这通常是在效果和显存之间的平衡选择。

4. 长文本要注意最大长度限制

BERT 常见最大长度为：

512 token

文本过长时需要：

截断
分段
滑窗

十、高效微调方法

随着模型越来越大，研究者也提出了很多参数高效微调方法。

1. 全参数微调

特点：

所有参数都更新
通常效果最好
但成本最高

2. 特征提取（冻结 BERT）

做法：

冻结 BERT 主体参数
只训练顶层任务头

优点：

更省计算资源

缺点：

效果一般不如全参数微调

3. Adapter

做法：

在每层之间插入轻量适配模块
只训练这些新增模块

优点：

参数高效
便于多任务切换

4. Prompt / Prompt Tuning

做法：

把任务重新包装成“填空”或“提示”形式

例如情感分类可以改写为：

“这部电影很好看，所以它是 [MASK] 的。”

这种方法在小样本任务中尤其有价值。

十一、主流 BERT 变体模型

BERT 之后，研究者提出了大量变体模型。它们往往不是推翻 BERT，而是在训练策略、参数设计、效率或效果上进一步优化。

1. RoBERTa

RoBERTa 全称是：

Robustly Optimized BERT Pretraining Approach

它的主要改进包括：

更大的 batch size
更长的训练时间
更多训练数据
移除 NSP 任务
使用动态 masking

RoBERTa 的核心思想其实很直接：

不是 BERT 架构不够强，而是原始 BERT 训练得还不够充分。

因此，RoBERTa 往往被看作“训练更充分的 BERT”。

2. ALBERT

ALBERT 全称是：

A Lite BERT

它的核心目标是：

减少参数量
提高训练效率

主要做了两件事：

参数共享

不同层之间共享部分参数，减少模型冗余。

嵌入分解

把词嵌入矩阵拆成更小的部分，降低参数量。

ALBERT 的优势是：

参数显著减少
模型更轻量
训练和部署更高效

3. DistilBERT

DistilBERT 是一个蒸馏版本的 BERT。

它通过知识蒸馏，把大模型的知识迁移到更小模型中。

优点：

推理更快
模型更小
适合资源受限场景

4. ELECTRA

ELECTRA 的核心创新是：

不再只做 MLM
而是用“替换词检测”训练模型

它让模型判断一个 token 是否被生成器替换过。

优点是：

训练更高效
样本利用率更高

5. SpanBERT

SpanBERT 更关注对连续文本跨度（span）的建模，适合：

阅读理解
关系抽取
需要关注片段边界的任务

十二、中文 BERT 模型

BERT 在中文任务中也有大量实践和改进。

常见中文预训练模型包括：

模型	机构	特点
BERT-base-chinese	Google	中文基础版
BERT-wwm	哈工大	全词遮盖（Whole Word Masking）
RoBERTa-wwm-ext	哈工大	扩展语料 + 更强训练
ERNIE	百度	融入更丰富知识信息
NEZHA	华为	相对位置编码

1. 什么是全词遮盖（WWM）

中文和英文不同，中文词边界不天然由空格分隔。

例如：

“自然语言处理”

如果直接按字级别遮盖，可能会变成：

“自然 [MASK] 处理”

但这不一定符合“词”层级的语义结构。

所以 WWM（Whole Word Masking）会尽量把整个词作为整体处理，这通常更适合中文任务。

2. 中文任务建议

对于中文任务，通常建议：

优先尝试中文 WWM 版本
注意分词与 tokenization 的关系
如果是专业领域，可继续做领域自适应预训练

十三、中文 BERT 的使用示例

下面是一个最基础的中文 BERT 加载示例：

fromtransformersimportBertTokenizer,BertModel tokenizer=BertTokenizer.from_pretrained("bert-base-chinese")model=BertModel.from_pretrained("bert-base-chinese")inputs=tokenizer("自然语言处理很有趣",return_tensors="pt")outputs=model(**inputs)