2025/5/19大约 16 分钟约 4860 字
图解Bert & Bert文本分类实战
图解 Bert
环境搭建
按序执行以下命令完成环境搭建:
git clone https://github.com/DA-southampton/Read_Bert_Code.git
cd Read_Bert_Code
conda create -n Read_Bert_Code python=3.9.22
conda activate Read_Bert_Code本文使用的是谷歌的中文预训练模型：chinese_L-12_H-768_A-12.zip，模型有点大，我就不上传了，如果本地不存在，就点击这里直接下载,或者直接命令行运行
wget https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip预训练模型下载下来之后，进行解压，然后将tf模型转为对应的pytorch版本即可。对应代码如下:
export BERT_BASE_DIR=/Users/zhandaohong/Read_Bert_Code/chinese_L-12_H-768_A-12
python convert_tf_checkpoint_to_pytorch.py \
--tf_checkpoint_path$BERT_BASE_DIR/bert_model.ckpt \
--bert_config_file$BERT_BASE_DIR/bert_config.json \
--pytorch_dump_path$BERT_BASE_DIR/pytorch_model.bin转化成功之后，将模型放入到仓库对应位置：
Read_Bert_Code/bert_read_step_to_step/prev_trained_model/并重新命名为：
bert-base-chinese其次是准备训练数据，这里我准备做一个文本分类任务，使用的是Tnews数据集，这个数据集来源是这里，分为训练，测试和开发集，我已经上传到了仓库中，具体位置在
Read_Bert_Code/bert_read_step_to_step/chineseGLUEdatasets/tnews需要注意的一点是，因为我只是为了了解内部代码情况，所以准确度不是在我的考虑范围之内，所以我只是取其中的一部分数据，其中训练数据使用1k，测试数据使用1k，开发数据1k。
准备就绪，使用pycharm导入项目，准备调试，我的调试文件是run_classifier.py文件，对应的参数为
--model_type=bert --model_name_or_path=prev_trained_model/bert-base-chinese --task_name="tnews" --do_train --do_eval --do_lower_case --data_dir=./chineseGLUEdatasets/tnews --max_seq_length=128 --per_gpu_train_batch_size=16 --per_gpu_eval_batch_size=16 --learning_rate=2e-5 --num_train_epochs=4.0 --logging_steps=100 --save_steps=100 --output_dir=./outputs/tnews_output/ --overwrite_output_dir然后启动 run_classifier.py 文件进行调试即可 , 所参考源仓库未提供requirements.txt文件，因此需要大家自行完成运行时缺失依赖包的安装。
数据预处理
- 输入数据格式
{
"guid": "train-0",
"label": "104", // 文本分类任务: 文本对应的标签
"text_a": "股票中的突破形态",
"text_b": null // NSP任务: 用于判断给出的两个句子是否连续
}NSP (Next Sentence Prediction)
- 文本分词 & 借助字典映射为word id
"股票中的突破形态" --> ['股', '票', '中', '的', '突', '破', '形', '态'] --> [5500, 4873, 704, 4638, 4960, 4788, 2501, 2578]对于字典中不存在的词 , 用
[UNK]表示, 对应的id为 100
过长截断策略
添加特殊Token标记
[101, 5500, 4873, 704, 4638, 4960, 4788, 2501, 2578, 102]BertTokenizer中的特殊token id:
[CLS]: 101[SEP]: 102[MASK]: 103[UNK]: 100[PAD]: 0
# BertTokenizer
def build_inputs_with_special_tokens(self, token_ids_0, token_ids_1=None):
if token_ids_1 is None:
return [self.cls_token_id] + token_ids_0 + [self.sep_token_id]
cls = [self.cls_token_id]
sep = [self.sep_token_id]
return cls + token_ids_0 + sep + token_ids_1 + sep- 创建句子辨识列表，用以区分不同的句子
# BertTokenizer
def create_token_type_ids_from_sequences(self, token_ids_0, token_ids_1=None):
"""
Creates a mask from the two sequences passed to be used in a sequence-pair classification task.
A BERT sequence pair mask has the following format:
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
| first sequence | second sequence
if token_ids_1 is None, only returns the first portion of the mask (0's).
"""
sep = [self.sep_token_id]
cls = [self.cls_token_id]
if token_ids_1 is None:
return len(cls + token_ids_0 + sep) * [0]
return len(cls + token_ids_0 + sep) * [0] + len(token_ids_1 + sep) * [1]- 创建用以区分special tokens部分的mask列表
# BertTokenizer
def get_special_tokens_mask(self, token_ids_0, token_ids_1=None, already_has_special_tokens=False):
if token_ids_1 is not None:
return [1] + ([0] * len(token_ids_0)) + [1] + ([0] * len(token_ids_1)) + [1]
return [1] + ([0] * len(token_ids_0)) + [1]- 超长截断
# PreTrainedTokenizer
if max_length and len(encoded_inputs["input_ids"]) > max_length:
encoded_inputs["input_ids"] = encoded_inputs["input_ids"][:max_length]
encoded_inputs["token_type_ids"] = encoded_inputs["token_type_ids"][:max_length]
encoded_inputs["special_tokens_mask"] = encoded_inputs["special_tokens_mask"][:max_length]- 生成padding部分的mask列表
# 生成注意力掩码，真实token对应1，填充token对应0
attention_mask = [1 if mask_padding_with_zero else 0] * len(input_ids)- 所有序列都填充到max_length长度,不足长度用padding填充
# 记录输入长度
input_len = len(input_ids)
# 计算需要填充的长度 --- 所有输入序列等长，都等于max_length
padding_length = max_length - len(input_ids)
# 右填充
input_ids = input_ids + ([pad_token] * padding_length)
attention_mask = attention_mask + ([0 if mask_padding_with_zero else 1] * padding_length)
token_type_ids = token_type_ids + ([pad_token_segment_id] * padding_length)- 数据集中每一个样本最终都会解析得到一个InputFeatures
features.append(
InputFeatures(input_ids=input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
label=label,
input_len=input_len))label 是当前文本对应的类别标签
input_len 是序列实际长度(含special tokens)
- 数据集预处理完后，将InputFeatures List列表组装起来得到需要的DataSet
dataset = TensorDataset(all_input_ids, all_attention_mask, all_token_type_ids, all_lens,all_labels)模型架构
DataLoader
train_sampler = RandomSampler(train_dataset) if args.local_rank == -1 else DistributedSampler(train_dataset)
train_dataloader = DataLoader(train_dataset, sampler=train_sampler, batch_size=args.train_batch_size,collate_fn=collate_fn)DataLoader 设置的回调方法cllote_fn负责对返回的一个batch，在返回前进行预处理:
def collate_fn(batch):
all_input_ids, all_attention_mask, all_token_type_ids, all_lens, all_labels = map(torch.stack, zip(*batch))
max_len = max(all_lens).item() # 计算当前批次中所有序列的实际最大长度
all_input_ids = all_input_ids[:, :max_len] # 按照本批次序列中最大长度进行截断: max_length --> max_len
all_attention_mask = all_attention_mask[:, :max_len]
all_token_type_ids = all_token_type_ids[:, :max_len]
return all_input_ids, all_attention_mask, all_token_type_ids, all_labelsBertEmbeddings
class BertEmbeddings(nn.Module):
def __init__(self, config):
super(BertEmbeddings, self).__init__()
self.word_embeddings = nn.Embedding(config.vocab_size, config.hidden_size, padding_idx=0)
self.position_embeddings = nn.Embedding(config.max_position_embeddings, config.hidden_size)
self.token_type_embeddings = nn.Embedding(config.type_vocab_size, config.hidden_size)
self.LayerNorm = BertLayerNorm(config.hidden_size, eps=config.layer_norm_eps)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
def forward(self, input_ids, token_type_ids=None, position_ids=None):
seq_length = input_ids.size(1)
if position_ids is None:
# 为当前批次中的每个序列样本生成一个位置序列: (1,2,3,4,5,...) , 构成一个位置序列矩阵
position_ids = torch.arange(seq_length, dtype=torch.long, device=input_ids.device)
position_ids = position_ids.unsqueeze(0).expand_as(input_ids)
if token_type_ids is None:
token_type_ids = torch.zeros_like(input_ids)
words_embeddings = self.word_embeddings(input_ids)
position_embeddings = self.position_embeddings(position_ids) # 位置编码为可学习的矩阵
token_type_embeddings = self.token_type_embeddings(token_type_ids) # 让模型自己学会区分不同的句子
embeddings = words_embeddings + position_embeddings + token_type_embeddings
embeddings = self.LayerNorm(embeddings)
embeddings = self.dropout(embeddings)
return embeddings
BertEncoder
BertLayer
class BertIntermediate(nn.Module):
def __init__(self, config):
super(BertIntermediate, self).__init__()
self.dense = nn.Linear(config.hidden_size, config.intermediate_size) # (768,3072)
# 激活函数 - GLEU
if isinstance(config.hidden_act, str) or (sys.version_info[0] == 2 and isinstance(config.hidden_act, unicode)):
self.intermediate_act_fn = ACT2FN[config.hidden_act]
else:
self.intermediate_act_fn = config.hidden_act
def forward(self, hidden_states):
hidden_states = self.dense(hidden_states)
hidden_states = self.intermediate_act_fn(hidden_states) # 激活函数 - GLEU
return hidden_states
class BertOutput(nn.Module):
def __init__(self, config):
super(BertOutput, self).__init__()
self.dense = nn.Linear(config.intermediate_size, config.hidden_size) # (3072,768)
self.LayerNorm = BertLayerNorm(config.hidden_size, eps=config.layer_norm_eps)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
def forward(self, hidden_states, input_tensor):
hidden_states = self.dense(hidden_states)
hidden_states = self.dropout(hidden_states)
hidden_states = self.LayerNorm(hidden_states + input_tensor)
return hidden_states
class BertLayer(nn.Module):
def __init__(self, config):
super(BertLayer, self).__init__()
self.attention = BertAttention(config)
self.intermediate = BertIntermediate(config)
self.output = BertOutput(config)
def forward(self, hidden_states, attention_mask=None):
attention_output = self.attention(hidden_states, attention_mask)
intermediate_output = self.intermediate(attention_output)
layer_output = self.output(intermediate_output, attention_output)
return layer_outputBertEncoder
class BertEncoder(nn.Module):
def __init__(self, config):
super(BertEncoder, self).__init__()
self.layer = nn.ModuleList([BertLayer(config) for _ in range(config.num_hidden_layers)])
def forward(self, hidden_states, attention_mask=None, head_mask=None):
for i, layer_module in enumerate(self.layer):
hidden_states = layer_module(hidden_states, attention_mask, head_mask[i])
return hidden_statesBertPooler
class BertPooler(nn.Module):
def __init__(self, config):
super(BertPooler, self).__init__()
self.dense = nn.Linear(config.hidden_size, config.hidden_size)
self.activation = nn.Tanh()
def forward(self, hidden_states):
# We "pool" the model by simply taking the hidden state corresponding
# to the first token.
first_token_tensor = hidden_states[:, 0] # CLS Token Context Embeddings
pooled_output = self.dense(first_token_tensor)
pooled_output = self.activation(pooled_output)
return pooled_outputBertModel
class BertModel(BertPreTrainedModel):
def __init__(self, config):
super(BertModel, self).__init__(config)
self.embeddings = BertEmbeddings(config)
self.encoder = BertEncoder(config)
self.pooler = BertPooler(config)
self.init_weights()
def forward(self, input_ids, attention_mask=None, token_type_ids=None, position_ids=None, head_mask=None):
extended_attention_mask = attention_mask.unsqueeze(1).unsqueeze(2)
extended_attention_mask = extended_attention_mask.to(dtype=next(self.parameters()).dtype) # fp16 compatibility
extended_attention_mask = (1.0 - extended_attention_mask) * -10000.0
embedding_output = self.embeddings(input_ids, position_ids=position_ids, token_type_ids=token_type_ids)
sequence_output = self.encoder(embedding_output,
extended_attention_mask, # padding mask
)
pooled_output = self.pooler(sequence_output)
outputs = (sequence_output, pooled_output,)
return outputsBertForSequenceClassification
class BertForSequenceClassification(BertPreTrainedModel):
def __init__(self, config):
super(BertForSequenceClassification, self).__init__(config)
self.num_labels = config.num_labels
self.bert = BertModel(config)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
self.classifier = nn.Linear(config.hidden_size, self.config.num_labels)
self.init_weights()
def forward(self, input_ids, attention_mask=None, token_type_ids=None,
position_ids=None, head_mask=None, labels=None):
outputs = self.bert(input_ids,
attention_mask=attention_mask, # padding mask
token_type_ids=token_type_ids,
position_ids=position_ids,
head_mask=head_mask) # None ?
pooled_output = outputs[1] # 对于分类任务来说，只需要去除CLS Token用于分类任务即可
pooled_output = self.dropout(pooled_output)
logits = self.classifier(pooled_output)
outputs = (logits,) + outputs[2:] # add hidden states and attention if they are here
if labels is not None:
if self.num_labels == 1:
# We are doing regression
loss_fct = MSELoss()
loss = loss_fct(logits.view(-1), labels.view(-1))
else:
loss_fct = CrossEntropyLoss()
loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))
outputs = (loss,) + outputs
return outputs # (loss), logits, (hidden_states), (attentions)BertAttention
BertSelfAttention
class BertSelfAttention(nn.Module):
def __init__(self, config):
super(BertSelfAttention, self).__init__()
self.output_attentions = config.output_attentions
self.num_attention_heads = config.num_attention_heads
self.attention_head_size = int(config.hidden_size / config.num_attention_heads)
self.all_head_size = self.num_attention_heads * self.attention_head_size
self.query = nn.Linear(config.hidden_size, self.all_head_size)
self.key = nn.Linear(config.hidden_size, self.all_head_size)
self.value = nn.Linear(config.hidden_size, self.all_head_size)
self.dropout = nn.Dropout(config.attention_probs_dropout_prob)
def transpose_for_scores(self, x):
new_x_shape = x.size()[:-1] + (self.num_attention_heads, self.attention_head_size)
x = x.view(*new_x_shape)
return x.permute(0, 2, 1, 3)
def forward(self, hidden_states, attention_mask=None, head_mask=None):
mixed_query_layer = self.query(hidden_states)
mixed_key_layer = self.key(hidden_states)
mixed_value_layer = self.value(hidden_states)
# view 成多头格式: (batch,heads,seq_len,d_k)
query_layer = self.transpose_for_scores(mixed_query_layer)
key_layer = self.transpose_for_scores(mixed_key_layer)
value_layer = self.transpose_for_scores(mixed_value_layer)
# Take the dot product between "query" and "key" to get the raw attention scores.
attention_scores = torch.matmul(query_layer, key_layer.transpose(-1, -2)) # (batch,heads,d_k,seq_len)
attention_scores = attention_scores / math.sqrt(self.attention_head_size)
if attention_mask is not None:
# Apply the attention mask is (precomputed for all layers in BertModel forward() function)
attention_scores = attention_scores + attention_mask
# Normalize the attention scores to probabilities.
attention_probs = nn.Softmax(dim=-1)(attention_scores)
# This is actually dropping out entire tokens to attend to, which might
# seem a bit unusual, but is taken from the original Transformer paper.
attention_probs = self.dropout(attention_probs)
context_layer = torch.matmul(attention_probs, value_layer)
context_layer = context_layer.permute(0, 2, 1, 3).contiguous()
new_context_layer_shape = context_layer.size()[:-2] + (self.all_head_size,)
context_layer = context_layer.view(*new_context_layer_shape) # 合并头结果
return context_layerBertSelfOutput
class BertSelfOutput(nn.Module):
def __init__(self, config):
super(BertSelfOutput, self).__init__()
self.dense = nn.Linear(config.hidden_size, config.hidden_size)
self.LayerNorm = BertLayerNorm(config.hidden_size, eps=config.layer_norm_eps)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
# 残差链接 + 层归一化
def forward(self, hidden_states, input_tensor):
hidden_states = self.dense(hidden_states)
hidden_states = self.dropout(hidden_states)
hidden_states = self.LayerNorm(hidden_states + input_tensor)
return hidden_statesBertAttention
class BertAttention(nn.Module):
def __init__(self, config):
super(BertAttention, self).__init__()
self.self = BertSelfAttention(config)
self.output = BertSelfOutput(config)
def forward(self, input_tensor, attention_mask=None):
self_outputs = self.self(input_tensor, attention_mask) # 多头自注意力机制
attention_output = self.output(self_outputs, input_tensor)
return attention_output预训练
BertPredictionHeadTransform
class BertPredictionHeadTransform(nn.Module):
def __init__(self, config):
super(BertPredictionHeadTransform, self).__init__()
self.dense = nn.Linear(config.hidden_size, config.hidden_size)
if isinstance(config.hidden_act, str) or (sys.version_info[0] == 2 and isinstance(config.hidden_act, unicode)):
self.transform_act_fn = ACT2FN[config.hidden_act]
else:
self.transform_act_fn = config.hidden_act
self.LayerNorm = BertLayerNorm(config.hidden_size, eps=config.layer_norm_eps)
def forward(self, hidden_states):
hidden_states = self.dense(hidden_states)
hidden_states = self.transform_act_fn(hidden_states)
hidden_states = self.LayerNorm(hidden_states)
return hidden_statesBertLMPredictionHead
class BertLMPredictionHead(nn.Module):
def __init__(self, config):
super(BertLMPredictionHead, self).__init__()
self.transform = BertPredictionHeadTransform(config)
# The output weights are the same as the input embeddings, but there is
# an output-only bias for each token.
self.decoder = nn.Linear(config.hidden_size,
config.vocab_size,
bias=False)
self.bias = nn.Parameter(torch.zeros(config.vocab_size))
def forward(self, hidden_states):
hidden_states = self.transform(hidden_states)
hidden_states = self.decoder(hidden_states) + self.bias
return hidden_statesBertPreTrainingHeads
class BertPreTrainingHeads(nn.Module):
def __init__(self, config):
super(BertPreTrainingHeads, self).__init__()
self.predictions = BertLMPredictionHead(config)
self.seq_relationship = nn.Linear(config.hidden_size, 2)
def forward(self, sequence_output, pooled_output):
prediction_scores = self.predictions(sequence_output) #
seq_relationship_score = self.seq_relationship(pooled_output) # 两个句子是否为上下句关系
return prediction_scores, seq_relationship_scoreBertForPreTraining
class BertForPreTraining(BertPreTrainedModel):
def __init__(self, config):
super(BertForPreTraining, self).__init__(config)
self.bert = BertModel(config)
self.cls = BertPreTrainingHeads(config)
def forward(self, input_ids, attention_mask=None, token_type_ids=None, position_ids=None, head_mask=None,
masked_lm_labels=None, next_sentence_label=None):
outputs = self.bert(input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
position_ids=position_ids,
head_mask=head_mask)
sequence_output, pooled_output = outputs[:2] # 隐藏层输出,CLS Token Embeddings
prediction_scores, seq_relationship_score = self.cls(sequence_output, pooled_output)
outputs = (prediction_scores, seq_relationship_score,)
# 计算掩码语言损失 和 下一个句子预测损失
if masked_lm_labels is not None and next_sentence_label is not None:
loss_fct = CrossEntropyLoss(ignore_index=-1)
masked_lm_loss = loss_fct(prediction_scores.view(-1, self.config.vocab_size), masked_lm_labels.view(-1))
next_sentence_loss = loss_fct(seq_relationship_score.view(-1, 2), next_sentence_label.view(-1))
total_loss = masked_lm_loss + next_sentence_loss
outputs = (total_loss,) + outputs
return outputs # (loss), prediction_scores, seq_relationship_score, (hidden_states), (attentions)其他下游任务
问答任务
在 BERT 的问答任务中，典型的输入是一个包含 问题（Question） 和 上下文（Context） 的文本对。例如：
问题: “谁写了《哈姆雷特》？”
上下文: “莎士比亚是英国文学史上最伟大的作家之一，他写了包括《哈姆雷特》、《麦克白》等著名悲剧。”
- 输入格式（Tokenization 后的形式），在使用
BertTokenizer编码后，输入会变成如下结构：
[CLS] 问题 tokens [SEP] 上下文 tokens [SEP]- BERT 的输出（Outputs），通过调用
self.bert(...)，你将得到一个包含多个元素的 tuple 输出：
outputs = self.bert(input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids)返回值形如：
(
sequence_output, # (batch_size, seq_length, hidden_size)
pooled_output, # (batch_size, hidden_size)
)主要输出项解释:
✅ sequence_output: 最终每个 token 的表示
- 形状：
(batch_size, seq_length, hidden_size) - 是模型最后一层所有 token（包括问题和上下文）的隐藏状态。
- 在问答任务中，我们主要使用它来预测答案的起始和结束位置。
✅ pooled_output: 句子级别表示（不常用）
- 形状：
(batch_size, hidden_size) - 是
[CLS]token 经过一层全连接后的输出。 - 在分类任务中更有用，在问答任务中一般不会使用这个输出。
- 如何利用 BERT 输出做问答预测？
在 BertForQuestionAnswering 中，使用了如下逻辑：
logits = self.qa_outputs(sequence_output) # (batch_size, seq_length, 2)
start_logits, end_logits = logits.split(1, dim=-1) # split into start and end
start_logits = start_logits.squeeze(-1) # (batch_size, seq_length)
end_logits = end_logits.squeeze(-1)qa_outputs 层的作用：
- 是一个线性层：
nn.Linear(config.hidden_size, 2) - 将每个 token 的
hidden_size向量映射成两个分数：一个是该 token 作为答案开始的可能性，另一个是作为答案结束的可能性。
输出解释：
start_logits: 每个 token 是答案起点的得分（未归一化）。end_logits: 每个 token 是答案终点的得分。
比如对于一个长度为 128 的序列，每个 token 都有一个对应的 start/end 分数：
start_scores = torch.softmax(start_logits, dim=-1) # softmax 得到概率
end_scores = torch.softmax(end_logits, dim=-1)
# 找出最可能是 start 和 end 的位置
start_index = torch.argmax(start_scores)
end_index = torch.argmax(end_scores)如果 start_index <= end_index，那么可以组合这两个索引得到答案 span。
代码实现
class BertForQuestionAnswering(BertPreTrainedModel):
def __init__(self, config):
super(BertForQuestionAnswering, self).__init__(config)
self.num_labels = config.num_labels # 通常是 2，即 start 和 end
self.bert = BertModel(config)
self.qa_outputs = nn.Linear(config.hidden_size, config.num_labels)
def forward(self, input_ids, attention_mask=None, token_type_ids=None, position_ids=None, head_mask=None,
start_positions=None, end_positions=None):
outputs = self.bert(input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
position_ids=position_ids)
sequence_output = outputs[0]
# (batch,seq_len,hidden_size) ---> (batch,seq_len,2)
logits = self.qa_outputs(sequence_output)
start_logits, end_logits = logits.split(1, dim=-1)
start_logits = start_logits.squeeze(-1) # (batch,seq_len)
end_logits = end_logits.squeeze(-1)
outputs = (start_logits, end_logits,)
# 计算交叉熵损失
if start_positions is not None and end_positions is not None:
# sometimes the start/end positions are outside our model inputs, we ignore these terms
# ignored_index = seq_len
ignored_index = start_logits.size(1)
# clamp_ 是 PyTorch 中的一个方法，用于将张量中的值限制在指定的范围内。
# 它的语法是 tensor.clamp_(min, max) ，表示将张量中的值限制在 min 和 max 之间。
# 如果值小于 min ，则将其设置为 min ；如果值大于 max ，则将其设置为 max 。
start_positions.clamp_(0, ignored_index)
end_positions.clamp_(0, ignored_index)
# ignore_index: 用于指定在计算损失时忽略的标签索引。
loss_fct = CrossEntropyLoss(ignore_index=ignored_index)
# 分别计算答案起始下标和结束下标预测得到的交叉熵损失
start_loss = loss_fct(start_logits, start_positions)
end_loss = loss_fct(end_logits, end_positions)
total_loss = (start_loss + end_loss) / 2
outputs = (total_loss,) + outputs
return outputs # (loss), start_logits, end_logits易混淆
BERT 是一个 基于上下文编码（Contextual Encoder） 的模型，不是自回归生成器。它不会“生成”新的文本，而是对输入文本中每个 token 的角色进行分类（如判断哪个是答案的开始、结束）。所以最终的答案只能来自原始输入文本中的某一段子串。
📚 详细解释
- ✅ BERT 是一个 Encoder-only 模型
BERT 只包含 Transformer 的 encoder 部分。
它的作用是给定一个完整的句子（或两个句子），对每个 token 生成一个上下文相关的表示（contextualized representation）。
它不具有生成能力，不能像 GPT 这样的 decoder-only 模型那样逐词生成新内容。
- 🔍 QA 任务的本质：定位答案 span 而非生成答案
在 SQuAD 这类抽取式问答任务中：
答案必须是原文中的连续片段（span）。
所以模型的任务是：
给出问题和上下文；
在上下文中找到最可能的答案起始位置和结束位置；
最终答案就是上下文中这两个位置之间的字符串。
BERT 做的就是这个定位任务，而不是重新生成一个新的答案。
- 🧩 输入与输出的关系
answer_tokens = input_ids[0][start_index : end_index + 1]
answer = tokenizer.decode(answer_tokens, skip_special_tokens=True)这段代码的意思是：
start_index和end_index是模型预测出的答案的起始和结束位置。我们从原始输入的
input_ids中取出对应的 token ID 子序列。使用 tokenizer 把这些 token ID 解码成自然语言文本。
得到的就是答案。
这其实就是在说：
“根据你的理解，答案应该在这段文字中的第 X 到第 Y 个词之间，请把这部分原文告诉我。”
- 🧪 举个例子
假设原始上下文是：
The capital of France is Paris.经过 Tokenizer 编码后可能是：
[CLS] the capital of france is paris [SEP]如果模型预测 start_index=5，end_index=5，那么对应的就是单词 "paris"，这就是答案。
⚠️ 注意事项
不能超出上下文范围
- start/end positions 必须落在上下文部分（即 token_type_id == 1 的区域）。
- 否则答案可能不合理（比如取到了问题部分的内容）。
特殊 token 不计入答案
[CLS],[SEP]等会被skip_special_tokens=True自动跳过。
无法处理不在原文中的答案
- 如果正确答案没有出现在上下文中，BERT 无法“编造”出来。
- 这是抽取式问答模型的局限性。
💡 对比：生成式 vs 抽取式问答
| 类型 | 模型代表 | 是否能生成新文本 | 答案是否必须在原文中 | 示例 |
|---|---|---|---|---|
| 抽取式 | BERT | ❌ | ✅ | 答案是原文中的一段 |
| 生成式 | T5 / BART / GPT | ✅ | ❌ | 答案可以是任意文本 |
如果你希望模型能“自己写答案”，那就需要使用生成式模型。
✅ 总结
| 问题 | 回答 |
|---|---|
为什么答案来自 input_ids？ | 因为 BERT 是编码器模型，只做抽取式问答，答案必须是原文中的一段文本。 |
| BERT 能不能自己生成答案？ | 不能，BERT 不具备生成能力，只能对输入文本中的 token 做分类。 |
| 如何获取答案？ | 根据预测的 start/end index，从 input_ids 中提取 token，并用 tokenizer 解码成自然语言。 |
Token分类任务
Token 分类任务是指对输入文本中的每个 token 进行分类，常见的应用场景包括：
- 命名实体识别 (NER)
- 词性标注 (POS)
- 语义角色标注 (SRL)
class BertForTokenClassification(BertPreTrainedModel):
def __init__(self, config):
super(BertForTokenClassification, self).__init__(config)
self.num_labels = config.num_labels
self.bert = BertModel(config)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
self.classifier = nn.Linear(config.hidden_size, config.num_labels)
def forward(self, input_ids, attention_mask=None, token_type_ids=None,
position_ids=None, head_mask=None, labels=None):
outputs = self.bert(input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
position_ids=position_ids,
head_mask=head_mask)
sequence_output = outputs[0] # (batch,seq_len,hidden_size)
sequence_output = self.dropout(sequence_output)
logits = self.classifier(sequence_output) # （batch,seq_len,num_labels）
outputs = (logits,)
if labels is not None:
loss_fct = CrossEntropyLoss()
# Only keep active parts of the loss
if attention_mask is not None:
active_loss = attention_mask.view(-1) == 1
active_logits = logits.view(-1, self.num_labels)[active_loss]
active_labels = labels.view(-1)[active_loss]
loss = loss_fct(active_logits, active_labels)
else:
loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))
outputs = (loss,) + outputs
return outputs # (loss), scores多项选择任务
多项选择任务是指给定一个问题和多个候选答案，模型需要从中选择最合适的答案。常见的应用场景包括：
阅读理解任务
问答系统中的候选答案选择
对话系统中的候选回复选择
在 多项选择题（Multiple Choice） 任务中，BERT 的输入组织形式与普通分类或问答任务略有不同。你需要为每个选项分别构造一个完整的 BERT 输入序列，并将它们组合成一个批次进行处理。
✅ 假设你有一个问题 + 4 个选项：
问题：谁写了《哈姆雷特》？
A. 雨果
B. 歌德
C. 莎士比亚
D. 托尔斯泰对于这样的多选问题，BERT 的输入方式是：
对每一个选项，都单独构造一个 [CLS] + 问题 + [SEP] + 选项内容 + [SEP] 的输入序列。
也就是说，模型会对每个选项分别编码 ，然后从中选出最合适的那个。
class BertForMultipleChoice(BertPreTrainedModel):
def __init__(self, config):
super(BertForMultipleChoice, self).__init__(config)
self.bert = BertModel(config)
self.dropout = nn.Dropout(config.hidden_dropout_prob)
self.classifier = nn.Linear(config.hidden_size, 1)
def forward(self, input_ids, attention_mask=None, token_type_ids=None,
position_ids=None, head_mask=None, labels=None):
# 获取选项个数
num_choices = input_ids.shape[1] # (batch_size, num_choices, seq_length)
# 将选项展平，以便一起处理: (batch_size * num_choices, seq_length)
input_ids = input_ids.view(-1, input_ids.size(-1))
attention_mask = attention_mask.view(-1, attention_mask.size(-1)) if attention_mask is not None else None
token_type_ids = token_type_ids.view(-1, token_type_ids.size(-1)) if token_type_ids is not None else None
position_ids = position_ids.view(-1, position_ids.size(-1)) if position_ids is not None else None
outputs = self.bert(input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
position_ids=position_ids,
head_mask=head_mask)
pooled_output = outputs[1] # (batch_size * num_choices, hidden_size)
pooled_output = self.dropout(pooled_output)
logits = self.classifier(pooled_output) # (batch_size * num_choices, 1)
reshaped_logits = logits.view(-1, num_choices) # (batch_size , num_choices, 1)
outputs = (reshaped_logits,)
if labels is not None:
loss_fct = CrossEntropyLoss()
loss = loss_fct(reshaped_logits, labels)
outputs = (loss,) + outputs
return outputs # (loss), reshaped_logits, (hidden_states), (attentions)在前向传播中，会将这些输入展平，变成：
input_ids.view(-1, seq_length) # (batch_size * num_choices, seq_length)这样就能让 BERT 对每个选项分别进行编码。
BERT 输出后，再对每个选项做分类打分，最后重新 reshape 成 (batch_size, num_choices) 形式，用于计算交叉熵损失。