您需要将 EOS 和 BOS 代币放入自动编码器变压器中吗？

Question

我开始了解变压器架构，但有些事情我还无法掌握。

在无解码器的转换器中，例如 BERT，分词器始终包含句子前后的标记 CLS 和 SEP。我知道 CLS 既充当 BOS，又充当提供分类信息的单个隐藏输出，但我有点不明白为什么它需要 SEP 来进行掩码语言建模部分。

我将更多地解释我期望获得的实用程序。就我而言，我想训练一个变压器作为自动编码器，所以目标=输入。不会有解码器，因为我的想法是将原始词汇的维度减少到更少的嵌入维度，然后研究（还不确定如何，但会到达那里）减少的空间以提取有用的信息。

因此，举个例子：

string_input = "The cat is black" 
tokens_input =  [1,2,3,4]

string_target = "The cat is black"
tokens_output = [1,2,3,4]

现在分词的时候，假设我们是逐词分词，那么加入BOS和EOS有什么好处？

我认为这些只有在使用自注意力解码器时才有用，对吧？因此，因为在这种情况下，对于解码器来说，输出必须右移输入，向量将是：

input_string = "The cat is black EOS"
input_tokens = [1,2,3,4,5]

shifted_output_string = "BOS The cat is black"
shifted_output_tokens = [6,1,2,3,4]

output_string = "The cat is black EOS"
output_token = [1,2,3,4,5]

然而，BERT 没有自注意力解码器，而是一个简单的前馈层。这就是为什么我不确定是否理解这些特殊令牌的用途。

总之，问题是：

• 即使您没有 Transformer 解码器，您是否始终需要 BOS 和 EOS 代币？
• 为什么没有 Transformer 解码器的 BERT 需要掩码语言模型部分的 SEP 令牌？

Answer 1

首先，简单介绍一下 BERT -
BERT 词嵌入允许根据单词使用的上下文对同一个单词进行多种向量表示。从这个意义上说，BERT 嵌入是上下文相关的。 BERT 在计算其嵌入时明确获取句子中每个单词的索引位置。 BERT 的输入是一个句子而不是单个单词。这是因为 BERT 需要整个句子的上下文来确定句子中单词的向量。如果你只向 BERT 输入单个词向量，它将完全违背 BERT 双向、上下文性质的目的。然后输出是整个输入句子的固定长度向量表示。 BERT 为词汇表外的单词提供支持，因为该模型在“子词”级别学习单词（也称为“单词片段”）。

SEP 标记用于帮助 BERT 区分两个不同的单词序列。这在下一序列预测（NSP）中是必要的。 CLS 在 NSP 中也是必要的，以便让 BERT 知道第一个序列何时开始。理想情况下，您应该使用如下格式：

CLS [sequence 1] SEP [sequence 2] SEP

请注意，我们不使用任何BOS或EOS 代币。标准 BERT 分词器不包括这些。如果我们运行以下代码，我们可以看到这一点：

from transformers import BertTokenizer

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
print(tokenizer.eos_token)
print(tokenizer.bos_token)
print(tokenizer.sep_token)
print(tokenizer.cls_token)

输出：
没有任何
没有任何
[九月]
[CLS]

对于掩码语言建模 (MLM)，我们只关心 MASK 标记，因为模型的目标只是猜测掩码标记。

BERT 接受了 NSP 和 MLM 的训练，正是这两种训练方法的结合使 BERT 如此有效。

所以回答你的问题 - 你并不“总是需要”EOS 和/或 BOS。事实上，您根本“不需要”它们。但是，如果您正在针对特定的下游任务微调 BERT，并且您打算使用 BOS 和 EOS 代币（具体方式取决于您），那么是的，我想您会将它们作为特殊代币包含在内。但请注意，BERT 的训练并未考虑到这些因素，您可能会看到不可预测/不稳定的结果。