深入理解深度学习——BERT派生模型：BART（Bidirectional and Auto-Regressive Transformers）

UniLM和XLNet都尝试在一定程度上融合BERT的双向编码思想，以及GPT的单向编码思想，同时兼具自编码的语义理解能力和自回归的文本生成能力。由脸书公司提出的BART（Bidirectional and Auto-Regressive Transformers）也是如此，它是一个兼顾上下文信息和自回归特性的模型。不同的是，UniLM和XLNet的模型结构与BERT基本一致，通过修改训练过程让模型具备了一定的文本生成能力，故模型的主要功能依然是语义理解。BART使用了传统的Transformer结构，不仅继承了BERT的语义理解能力，更展现了强大的序列到序列的文本生成能力。与BERT相比，其改进点如下：

• 使用原始的Transformer Encoder-Decoder作为模型结构，区别于仅使用Transformer Encoder的BERT和仅使用Transformer Decoder的GPT。
• 使用多样化的噪声干扰方式，让模型更注重文本的语义理解而不是结构化信息。

在进行语义理解时，BERT会获得一些额外的结构信息，如被掩码词的位置、序列的长度等，这些格式化的信息会让模型直接利用句式结构信息来辅助语义理解，即削弱模型在训练过程中获得的语义理解能力。BART通过引入自回归训练Decoder和多样化噪声，来降低模型对结构化信息的依赖，更注重对文本的理解。同时，在引入Decoder之后，其文本生成能力得到了极大增强。

算法细节

模型结构

BART使用了原始的Transformer Encoder-Decoder结构，具体模型结构和《 深入理解深度学习——Transformer》系列文章中描述的基本一致，唯一的不同在于将激活函数从默认的ReLU改为GeLU。原始的Transformer被提出后用于机器翻译，由于其强大的语义提取能力，GPT将Transformer Decoder作为模型主结构，用于文本生成任务，BERT将Transformer Encoder作为模型主结构，用于文本理解任务。而BART将BERT与GPT合并，即直接使用原始的Transformer结构。三者的模型结构对比如下图所示，下图(a)为BERT的模型结构示意图，其模型结构主体使用双向编码器(Transformer Encoder)，输入是带掩码的文本序列，输出是在掩码位置的词；下图(b)为GPT的模型结构示意图，其模型主体使用自回归解码器(Transformer Decoder)，输入是正常的句子，输出是每个词的下一个词；下图©是BART的模型结构示意图，其模型主体同时使用双向编码器和自回归解码器（即完整的Transformer结构），输入是带掩码的文本序列，输出是在掩码位置填补预测词的完整序列。

噪声预训练

为了尽可能地减少模型对结构化信息的依赖，BART使用了5种不同的噪声方式进行训练，如下图所示。

• Token Masking：与BERT一样，将个别词随机替换成[MASK]，训练模型推断单个词的能力
• Token Deletion：随机删除个别词，训练模型推断单个词及位置的能力。
• Text Infilling：将一段连续的词随机替换成[MASK]，甚至可以凭空添加[MASK]，训练模型根据语义判断[MASK]包含的词及其长度。
• Sentence Permutation：随机打乱文本序列的顺序，加强模型对词的关联性的提取能力。
• Document Rotation：将文本序列连成圈，随机选择序列的起始词（保留序列的有序性，随机选择文本起始点），以此训练模型识别句首的能力。

值得注意的是，所有的噪声都添加在Encoder的输入文本上。

下游任务微调

1. 序列分类任务：序列分类任务的微调改写与GPT的极为相似，即将输出序列最后一个词预测的token作为分类标签进行训练（序列的终止符一般为<EOS>），该终止符等效于BERT的分类标签[CLS]，如下图所示：

2. 单词级别的分类和标注任务：直接将Decoder对应的每一个输出作为分类标签。如下图所示，对于由5个词$ABCDE$组成的句子，在预训练过程中，若Decoder的输入为词$A$，则训练目标为词$B$。在单词分类（标注）任务的微调训练过程中，若Decoder的输入为词$A$，则训练目标为词$A$对应的类别标签。

3. 序列到序列任务：由于BART的结构是传统的Transformer，故天然适合做序列到序列任务，不需要额外的改动。

综上所述，BART通过使用多样化的噪声干扰方式进行训练，在文本理解任务上达到与RoBERTa持平的效果，更通过引入Transformer Decoder结构，在多个生成式任务上达到SOTA效果，其模型体积仅比BERT大10%，算是性价比极高的模型。

参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.
[3] 车万翔, 崔一鸣, 郭江. 自然语言处理：基于预训练模型的方法[M]. 电子工业出版社, 2021.
[4] 邵浩, 刘一烽. 预训练语言模型[M]. 电子工业出版社, 2021.
[5] 何晗. 自然语言处理入门[M]. 人民邮电出版社, 2019
[6] Sudharsan Ravichandiran. BERT基础教程：Transformer大模型实战[M]. 人民邮电出版社, 2023
[7] 吴茂贵, 王红星. 深入浅出Embedding：原理解析与应用实战[M]. 机械工业出版社, 2021.