本文首先回顾了Transformer模型的基本结构和输入方式包括词嵌入和位置编码。接着介绍了BERT模型架构作为Transformer的改进版本BERT只保留编码器部分并详细解释了其不同版本的结构特点。文章还讨论了BERT的输入表示如何通过标记嵌入、片段嵌入和位置嵌入生成模型输入。最后简要概述了BERT的预训练和微调过程以及其在下游任务中的应用适合想要入门大模型学习的程序员收藏学习。1 回忆Transformer在开始学习BERT之前我们来简要回顾一下Transformer模型。1.1 Transformer的输入我们需要将输入转化为模型可以理解的数学形式。具体过程为 首先将单词或者句子转换为一个固定维度的向量得到词嵌入这个过程采用的方法有比如Word2Ved、Glove等。由于Transformer已经摈弃了RNN和LSTM的顺序输入因此输入的位置信息需要采用位置编码引入。位置编码包含了序列的绝对或者相对信息。最终的输入由词嵌入位置编码最终输入至模型中进行训练。1.2 Transformer模型结构Transformer模型的组成主要包括两部分编码器(Encoder)和解码器(Decoder)。Transformer模型本质上是多个相同的编码器和解码器的堆叠。编码器主要包含多头注意机制、残差连接、层归一化以及前馈神经网络。1、多头注意力机制用来对输入序列自身进行注意力计算以获取到输入序列中不同单词的相关性。2、残差连接将注意力层的输出和原始输出数据进行相加避免网络过深梯度消失的问题。3、层归一化对单个样本的特征进行标准化使其均值为0方差为1使得数据训练更加稳定。4、再经过以上三个步骤后输入来到第二个前馈神经网络层这层网络其实就是最简单的人工神经网络计算单元是由多个神经元组成的这些神经元依据权重和偏置进行连接。每个神经元接收来自上一层神经元的输入然后通过激活函数进行处理最后将结果传递给下一层神经元。5、在经过前馈神经网络后再次进行残差连接和层归一化完成一个编码器的步骤。解码器与编码器不同的地方在于注意力为掩码多头注意力。掩码多头注意力与全局自注意力的不同之处在于在对序列中位置的处理上掩码操作。其余的比如残差连接、层归一化以及前馈神经网络与编码器是类似的只不过解码器的连接方式和输入与编码器略有不同。在经过编码器和解码器的计算之后经由全连接层和softmax得到模型的预测。2 BERT模型架构BERT架构源于Transformer但是在Transformer模型的基础上进行了关键改造。BERT完全舍弃了Transformer中Decoder的设计只保留了Encoder并且BERT拥有两个版本BERT-Base12层Transformer编码器12个注意力头隐藏层维度768约1.1亿参数。BERT-Large24层Transformer编码器16个注意力头隐藏层维度1024约3.4亿参数。以上两种BERT模型的规模是不同的但是均有大量的Encoder层Base版本有12层 EncoderLarge 版本有 20 层 Encoder。除此之外BERT模型与Transformer相比前馈神经网络的复杂度更高Base版本有768个隐藏层单元Large版本有1024个隐藏层单元。并且拥有更多的注意力头数分别有12个和16个超过了Transformer的默认配置参数论文中有 6个Encoder 512个隐藏层单元和8个注意力头。它们的训练数据来源于BooksCorpus(包含上千本未出版的儿童图书)和英文维基百科分别包含8亿个和25亿个单词总共包含33亿个单词。3 BERT的输入我们首先来理解一下一句完整的句子是怎么进行分词的。 比如有一句话“my dog is cute,he likes playing.”当我们采用WordPiece分词器来进行分词时会得到如下结果Tokens [[CLS] my dog is cute [SEP] he likes play ##ing [SEP]]。这个结果是怎么得到的呢BERT的词汇表中共有30000个标记我们首先检查每个单词在词汇表中是否存在如果存在我们则标记这个单词如果不存在我们便拆分为字词然后检查字词是否存在于词汇表中。比如playing被拆分为##play和##ing,得到结果Tokens [my dog is cute he likes play ##ing]。在Tokens [my dog is cute he likes play ##ing]的基础上我们增加[CLS]和[SEP]到句子的结尾得到最终的输入Tokens [[CLS] my dog is cute [SEP] he likes play ##ing [SEP]]。在把数据输入至BERT模型之前针对输入我们还要通过3个嵌入层将其转化为嵌入向量这3个嵌入层分别是标记嵌入Token embedding我们在对语句进行分词拆解后并且增加了CLS和SEP标记此时我们采用标记嵌入的嵌入层将以上数据转化为嵌入向量重点在于这些嵌入向量的值是在训练过程中不断学习的比如我们的输入Tokens [[CLS] my dog is cute [SEP] he likes play ##ing [SEP]] 它的标记嵌入为片段嵌入Segment embedding片段嵌入从字面理解就是用来表征片段信息的比如my dog is cute,he likes playing.这句话其实是由两个分句组成的包括my dog is cute和he likes playing。片段嵌入便只返回两种嵌入EA或者EB如果标记属于A就标记到EA反之标记到EB如下图所示位置嵌入Position embedding由于Transformer摈弃了RNN以及LSTM的结构在Transformer的输入是加入了位置编码的。因此在BERT中成为了位置嵌入。我们将[[CLS] my dog is cute [SEP] he likes play ##ing [SEP]]分别标记为E0、E1、E2…E10。至此我们从输入得到了标记嵌入、片段嵌入以及位置嵌入将对应的嵌入相加就得到了BERT的输入表示4 BERT的预训练和微调4.1 BERT预训练BERT预训练主要分为两点屏蔽语言建模下一句预测我们说的简单一些所谓的屏蔽语言建模其实就是将模型的输入序列随机选择一些单词将其替换为特殊标记MASK而模型需要预测出这些被掩盖的单词。所以也有一种说法是BERT其实是完形填空这种做法有利于增强模型的理解能力。那么下一句预测是什么呢在某一个任务中我们有两个句子A和B模型需要预测B是否是A的直接后续。这种操作增强了模型理解句子之间关系的能力比如在问答系统中十分重要。4.2 BERT微调微调就是Fine-tuning在迁移学习中尤为常见。BERT的微调训练主要分为两步构建语言大模型采用大量的训练数据A无监督来进行训练在预训练好的语言模型基础上采用下游任务的训练数据B来进行有监督的训练。一般会在模型的后面加一层全连接层或者直接加上softmax来进行分类。也有其他的做法比如在大语言模型之后加上TextCNN或者DPCNN等。本质上是利用了预训练语言模型提取出的高级特征。4.3 BERT下游任务依据下游任务输入和输出的形式微调支持的下游任务主要分为四类句对分类给定两个句子判断它们的关系。这其实是在做文本匹配例如判断两个句子是否相似、判断后者是否为前者的答案。单句分类给定一个句子判断该句子的类别。常见的任务有情感识别、判断语句是否连贯等。文本问答给定一个问句和一个蕴包含答案的句子找出答案在后句的位置。例如给定一个问题句子 A在给定的段落句子 B中标注答案的起始位置和终止位置。单句标注给定一个句子标注每个词的标签。例如给定一个句子标注句子中的人名、地名和机构名。其实就是命名体识别。5 小结我们通过回忆Transformer的结构了解了BERT的结构。然后讨论了BERT的输入如何通过标记嵌入、片段嵌入和位置嵌入最终相加得到最终模型的输入。然后简要介绍了BERT的预训练和微调。事实上BERT的预训练非常复杂远不止只言片语可以说清楚其中预言建模类型就有好几种比如自回归语言建模和自编码语言建模。而自回归语言建模又分为前向预测和反向预测。通过各种机制的结合BERT可以同时学习到词语层面的上下文理解能力以及句子间层面的关系理解能力结合预训练和微调BERT能够灵活适应各种下游任务在NLP中拥有重要的地位。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/C8Eqg1SLGfANODzi0zGFwghttps://mp.weixin.qq.com/s/C8Eqg1SLGfANODzi0zGFwg