2018年标志着自然语言处理领域的转折点，一系列深度学习模型在NLP任务中实现了最先进的结果，从问答到情感分类。最近，谷歌的BERT算法已经成为一种“统治所有人的一种模式”，基于其在各种任务中的卓越性能。
BERT建立在两个关键概念的基础上，NLP的许多最新进展使用了这两个概念：
（1）transformer 架构
（2）无人监督预训练
该transformer是完全基于注意力的方法，放弃了RNN的顺序结构，比如经典的序列模型。
BERT也经过预先训练; 通过两个无监督的任务预先学习它的权重：蒙面语言建模（预测给定左右上下文的缺失单词）和下一个句子预测（预测一个句子是否跟随另一个句子）。因此，对于每个新任务，BERT不需要从头开始训练; 相反，它的重量是微调的。
有关BERT的更多详细信息，请查看 The Illustrated Bert：https://jalammar.github.io/illustrated-bert/
BERT是一个（多头）野兽
Bert不像传统的注意力模型那样在RNN的隐藏状态上使用平坦的注意力结构。相反，BERT使用多层注意力（12或24取决于模型），并且还在每层（12或16）中包含多个注意力“头”。由于模型权重不在层之间共享，因此单个BERT模型有效地具有多达24 x 16 = 384种不同的注意机制。
可视化BERT
由于BERT的复杂性，可能难以直观了解其学习权重的含义。一般而言，深度学习模型是众所周知的不透明的，并且已经开发了各种可视化工具来帮助理解它们。
但是，作者没有找到一个可以阐明BERT正在学习的注意模式。幸运的是，Tensor2Tensor在编码器 - 解码器变换器模型中具有可视化注意力的优秀工具，因此作者使用BERT的PyTorch实现对其进行了修改以使用BERT的架构，改编的界面如下所示。你可以在Github（https://github.com/jessevig/bertviz）上找到它。
该工具将注意力视为连接正在更新的位置（左）与正在关注的位置（右）的线。颜色识别相应的注意头，而线条厚度反映注意力得分。在工具的顶部，用户可以选择模型层，以及一个或多个注意头（通过单击顶部的色块，代表12个头）。
BERT实际上学到了什么？
作者使用该工具探索预训练BERT模型（BERT-Base，无套装版本）的各个层/头的注意模式，尝试了不同的输入值，但出于演示目的，只使用以下输入：
句子A： I went to the store.
句子B： At the store, I bought fresh strawberries.
BERT使用WordPiece标记化并插入特殊分类器（[CLS ]）和分隔符（[SEP]）标记，因此实际输入序列为：
[CLS] i went to the store . [SEP] at the store , i bought fresh straw ##berries . [SEP]
作者发现了一些相当独特且令人惊讶的直观注意模式。下面确定了六个关键模式，每个关键模式都显示了展示模式的特定图层/头部的可视化。
模式1：注意下一个词
在这种模式中，特定位置的大部分注意力都指向序列中的下一个标记。下面我们看到第2层头部0的示例。（所选头部由顶部颜色条中突出显示的方块表示。）左边的图显示所有标记的注意力，而右侧显示一个选定标记（“i”）的注意力。在这个例子中，几乎所有的注意力都集中在“去”，即序列中的下一个标记。
左：所有代币的注意力。 右：选定标记的注意权重（“i”）
在左侧，我们可以看到 [SEP] 令牌破坏了下一个令牌注意模式，因为[SEP]的大多数注意力都是针对 [CLS] 而不是下一个令牌。因此，这种模式似乎主要在每个句子中运作。
该模式与后向RNN有关，其中状态更新从右到左依次进行。模式1出现在模型的多个层上，在某种意义上模拟了RNN的周期性更新。
模式2：注意前一个词
在这种模式中，大部分注意力都集中在句子中的前一个标记上。例如，“go”的大部分注意力都指向下图中的前一个单词“i”。这种模式与最后一种模式不同; 一些注意力也分散到其他令牌，尤其是[SEP]令牌。与模式1一样，这与顺序RNN松散相关，在这种情况下是前向RNN。
左：所有代币的注意力。右：所选令牌的注意力（“went”）
模式3：注意相同/相关的单词
在这种模式中，注意相同或相关的单词，包括源词本身。在下面的例子中，第一次出现的“store”的大部分注意力都集中在它自身和第二次出现的“store”上。这种模式并不像其他一些模式那样明显，注意力分散在许多不同的词语上。
左：所有代币的注意力。 右：所选令牌的注意权重（“商店”）
模式4：注意其他句子中相同/相关的单词
在这种模式中，注意另一句中相同或相关的单词。例如，第二句中“store”的大部分注意力都集中在第一句中的“store”。可以想象这对于下一句话预测任务（BERT预训练的一部分）特别有用，因为它有助于识别句子之间的关系 。
左：所有代币的注意力。 右：所选令牌的注意权重（“store”）
模式5：注意预测单词的其他单词
在这种模式中，注意力似乎是针对可预测源词的其他词，不包括源词本身。在下面的例子中，“straw” 的大部分注意力都集中在“##berries” 上，“##berries” 的大部分注意力都集中在“straw” 上。
左：所有代币的注意力。 右：所选标记的注意力（“## berries”）
这种模式并不像其他一些模式那样明显。例如，大部分注意力都集中在分隔符令牌（[CLS]）上，这是下一个讨论的模式6的定义特征。
模式6：注意分隔符令牌
在这种模式中，大部分注意力都集中在分隔符令牌上，即 [CLS] 令牌或 [SEP] 令牌。在下面的示例中，大部分注意力都集中在两个 [SEP] 令牌上。这可能是模型将句子级状态传播到单个标记的一种方式。
左：所有代币的注意力。 右：所选令牌的注意权重(“store”)
笔记
有人说 ，数据可视化有点像罗夏测验：我们的解释可能会被我们自己的信念和期望所染色。虽然上面的一些模式非常明显，但其他模式有点主观，所以这些解释只应作为初步观察。
此外，上述6种模式描述了BERT的粗略注意结构，并不试图描述注意力可能捕获的语言模式。例如，模式3和模式4中可以表现出许多不同类型的“相关性”，如同义词，共同参照等。看看不同的注意力是否专注于不同类型的语义和句法关系会很有趣。
信息来源：https://www.kdnuggets.com/2019/02/deconstructing-bert-distilling-patterns-100-million-parameters.html
