谷歌再次发布BERT的多语言模型和中文模型

今天，在开源最强NLP模型BERT的TensorFlow代码和预训练模型的基础上，谷歌AI团队再次发布一个多语言模型和一个中文模型。

上周，谷歌AI团队开源了备受关注的“最强NLP模型”BERT的TensorFlow代码和预训练模型，不到一天时间，收获3000多星！

今天，谷歌再次发布BERT的多语言模型和中文模型！

BERT，全称是Bidirectional Encoder Representations from Transformers，是一种预训练语言表示的新方法。

BERT有多强大呢？它在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩：全部两个衡量指标上全面超越人类！并且还在11种不同NLP测试中创出最佳成绩，包括将GLUE基准推至80.4％（绝对改进7.6％），MultiNLI准确度达到86.7% （绝对改进率5.6％）等。

新智元近期对BERT模型作了详细的报道和专家解读：

NLP历史突破！谷歌BERT模型狂破11项纪录，全面超越人类！

狂破11项记录，谷歌年度最强NLP论文到底强在哪里？

解读谷歌最强NLP模型BERT：模型、数据和训练

如果你已经知道BERT是什么，只想马上开始使用，可以下载预训练过的模型，几分钟就可以很好地完成调优。

戳这里直接使用：

https://github.com/google-research/bert/blob/master/multilingual.md

模型

目前有两种多语言模型可供选择。我们不打算发布更多单语言模型，但可能会在未来发布这两种模型的BERT-Large版本：

BERT-Base, Multilingual: 102 languages, 12-layer, 768-hidden, 12-heads, 110M parameters

BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

多语言模型支持的语言是维基百科上语料最大的前100种语言（泰语除外）。多语言模型也包含中文（和英文），但如果你的微调数据仅限中文，那么中文模型可能会产生更好的结果。

结果

为了评估这些系统，我们使用了XNLI dataset，它是MultiNLI的一个版本，其中dev集和test集已经（由人类）翻译成15种语言。需要注意的是，训练集是机器翻译的（我们使用的是XNLI提供的翻译，而不是Google NMT）。 

以下6种主要语言的评估结果：

前两行是XNLI baseline的结果，后三行是使用BERT的结果。

Translate Train 表示MultiNLI的训练集是从英语用机器翻译成外语的。所以训练和评估都是用外语完成的。遗憾的是，由于是用机器翻译的数据进行训练，因此无法量化较低的精度在多大程度上归因于机器翻译的质量，多大程度上归因于预训练模型的质量。

Translate Test 表示XNLI测试集是从外语用机器翻译成英语的。因此，训练和评估都是用英语进行的。但是，由于测试评估是在机器翻译的英语上进行的，因此准确性取决于机器翻译系统的质量。

Zero Shot 表示多语言BERT模型在英语MultiNLI上进行了微调，然后在外语XNLI测试集上进行了评估。在这种情况下，预训练和微调的过程都不涉及机器翻译。

请注意，英语的结果比MultiNLI baseline的84.2要差，因为这个训练使用的是Multilingual BERT模型，而不是English-only的BERT模型。这意味着对于语料资源大的语言，多语言模型的表现不如单语言模型。但是，训练和维护数十种单语言模型是不可行的。因此，如果你的目标是使用英语和中文以外的语言最大限度地提高性能，那么从我们的多语言模型开始，对你感兴趣的语言数据进行额外的预训练是有益的。

对于中文来说，用Multilingual BERT-Base和Chinese-only BERT-Base训练的中文模型的结果比较如下：

跟英语类似，单语言模型比多语言模型好3％。

Fine-tuning 示例

多语言模型不需要任何特殊考虑或更改API。我们在tokenization.py中更新了BasicTokenizer的实现以支持汉字的tokenization，但没有更改 tokenization API。

为了测试新模型，我们修改了run_classifier.py以添加对XNLI数据集的支持。这是MultiNLI的15种语言版本，其中dev/test 集已经经过人工翻译的，训练集已经经过机器翻译。

要运行 fine-tuning 代码，请下载XNLI dev/test set和XNLI机器翻译的训练集，然后将两个.zip文件解压缩到目录$XNLI_DIR中。

在XNLI上运行 fine-tuning。该语言被硬编码为run_classifier.py（默认为中文），因此如果要运行其他语言，请修改XnliProcessor。

这是一个大型数据集，因此在GPU上训练需要花费几个小时（在Cloud TPU上大约需要30分钟）。要快速运行实验以进行调试，只需将num_train_epochs设置为较小的值（如0.1）即可。

export BERT_BASE_DIR=/path/to/bert/chinese_L-12_H-768_A-12 # or multilingual_L-12_H-768_A-12export XNLI_DIR=/path/to/xnli python run_classifier.py  --task_name=XNLI  --do_train=true  --do_eval=true  --data_dir=$XNLI_DIR  --vocab_file=$BERT_BASE_DIR/vocab.txt  --bert_config_file=$BERT_BASE_DIR/bert_config.json  --init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt  --max_seq_length=128  --train_batch_size=32  --learning_rate=5e-5  --num_train_epochs=2.0  --output_dir=/tmp/xnli_output/

使用 Chinese-only 模型，结果应该是这样的：

***** Eval results ***** eval_accuracy = 0.774116 eval_loss = 0.83554 global_step = 24543 loss = 0.74603训练细节

数据源和采样

我们选择的语言是维基百科上语料最大的前100种语言。将每种语言的整个Wikipedia转储数据（不包括用户页和讨论页）作为每种语言的训练数据。

然而，对于特定语言，维基百科的语料大小差异很大，而在神经网络模型中，低资源语言可能是“代表性不足”的（假设语言一定程度上在有限的模型容量中“竞争”）。

维基百科的语料大小也与该语言的使用者人数有关，而且我们也不想为了一种特定语言在很小的数据集上执行数千个epochs，造成过度拟合模型。

为了平衡这两个因素，我们在训练前数据创建（以及WordPiece词汇创建）期间对数据进行了指数平滑加权。换句话说，假设一种语言的概率是P(L)，例如P(English) = 0.21，表示在将所有维基百科总合在一起之后，21％的数据是英语的。我们通过某个因子S对每个概率求幂，然后重新规范化，并从这个分布中进行采样。

在这个示例中，我们使S = 0.7。因此，像英语这样的高资源语言会被抽样不足，而像冰岛语这样的低资源语言会被过度采样。比如说，在原始分布中，英语比冰岛语采样率高1000倍，但在平滑后，英语的采样率只高100倍。

Tokenization

对于Tokenization，我们使用110k共享的WordPiece词汇表。单词计数的加权方式与数据相同，因此低资源语言的加权会增大。 我们故意不使用任何标记来表示输入语言（以便zero-shot训练可以工作）。

因为中文没有空白字符，所以在使用WordPiece之前，我们在CJK Unicode范围内的每个字符周围添加了空格。这意味着中文被有效地符号化了。请注意，CJK Unicode block仅包含汉字字符，不包括朝鲜文/韩文或日语片假名/平假名，这些与其他语言一样使用空格+ WordPiece进行标记化。

对于所有其他语言，我们应用与英语相同的方法：（a）字母小写+重音删除，（b）标点符号分割，（c）空白标记化。 我们知道口音标记在某些语言中具有重要意义，但认为减少有效词汇的好处可以弥补这一点。一般来说，BERT强大的上下文模型应该能弥补删除重音标记而引入的歧义。

支持的语言

多语言模型支持维基百科上语料量最大的前100种语言。

但我们不得不排除的唯一一种语言是泰语，因为它是唯一一种不使用空格来划分单词的语言(除了汉语)，而且每个单词的字符太多，不能使用基于字符的tokenization。