BERT 模型 / 第 11 门课程

BERT 预训练：双向 Transformer Encoder、MLM 与 NSP

本文围绕“BERT 预训练：双向 Transformer Encoder、MLM 与 NSP”对课程 ASR 进行高密度论文式重构，并围绕 BERT、Transformer Encoder、MLM、NSP、\[CLS\] 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

AI 课程 · 论文式讲义 · BERT 模型 知识库文章

摘要

本文围绕“BERT 预训练：双向 Transformer Encoder、MLM 与 NSP”对课程 ASR 进行高密度论文式重构，并围绕 BERT、Transformer Encoder、MLM、NSP、[CLS] 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

**关键词：**BERT；Transformer Encoder；MLM；NSP；[CLS]；[SEP]；token embedding

1. 研究背景

BERT 把 Transformer Encoder 的双向 self-attention 用于大规模文本预训练，通过 Masked Language Modeling 学习上下文表示，再以较少任务特定参数完成分类、序列标注和抽取式问答。

它与 GPT 的根本差别不只是“编码器 vs 解码器”标签，更在于预训练条件信息：BERT 允许目标 token 同时利用左右上下文，而自回归 GPT 必须保持因果掩码。

本讲进一步聚焦BERT 预训练：双向 Transformer Encoder、MLM 与 NSP。正式分析首先需要明确该方法试图压缩哪一种计算复杂度、拟合哪一种统计规律或改进哪一类表示，再讨论公式和实现。只有把技术目标与评价标准绑定，才能避免把课堂示意性操作误写成普遍结论。

BERT 预训练：双向 Transformer Encoder、MLM 与 NSP 技术流程图

图 1　技术主线。 将本讲知识重构为“问题表示—核心计算—评价/决策”的依赖关系。依据课程 ASR 确认的主题和本章权威资料重新绘制。

2. 核心难点

该主题的难度不仅来自公式本身，还来自模型假设、数据/状态规模和工程资源的共同约束。结合本讲内容与一手资料，可将主要问题归纳为以下四类。

难点 1

双向上下文预训练必须避免直接把目标 token 暴露给预测头，因此采用 masking。

难点 2

预训练任务与下游任务之间存在目标差异，需要 fine-tuning 或其他适配。

难点 3

固定最大长度和二次 attention 成本限制长文本处理。

难点 4

NSP 等原始设计并非后来所有 BERT 变体都沿用，需明确版本边界。

3. 主要工作与技术路线

课程原有知识可压缩为一条完整方法链路。与课堂按幻灯片顺序逐项说明不同，本文按可复现算法过程重排如下：

  1. 构造 [CLS]/[SEP] 与双向输入：围绕 BERT 建立可验证的输入、计算与评价关系。
  2. 随机 mask 部分 token 形成预训练目标：围绕 Transformer Encoder 建立可验证的输入、计算与评价关系。
  3. 多层 Transformer Encoder 学习上下文表示：围绕 MLM 建立可验证的输入、计算与评价关系。
  4. 添加轻量任务头进行 fine-tuning：围绕 NSP 建立可验证的输入、计算与评价关系。
  5. 按任务指标评估表示迁移：围绕 [CLS] 建立可验证的输入、计算与评价关系。

这些步骤共同回答三个问题：候选对象如何表示；核心计算如何改变或评价它；最终结果在什么条件下可以被视为有效。后续章节的公式、图表和实验均围绕这条链路展开。

4. 概念与形式化

Masked Language Modeling

LMLM=−∑i∈Mlog⁡pθ(xi∣x∖M)L_{MLM}=-\sum_{i\in M}\log p_\theta(x_i\mid x_{\setminus M})

BERT 利用双向上下文恢复被遮蔽 token。

核心对象正式技术含义关联形式化
BERTBERT 使用 Transformer Encoder，并通过 Masked Language Modeling 从左右双向上下文预测被遮蔽 token。原始 BERT 还使用 Next Sentence Prediction；后续研究证明 NSP 并非所有 BERT-style 训练的必要组件。Masked Language Modeling
Transformer EncoderTransformer Encoder layer 由 bidirectional self-attention 和 position-wise FFN 构成，配合 residual/normalization。Encoder 适合需要整段输入上下文的表示任务，BERT 即采用多层 Encoder 堆叠。Masked Language Modeling
MLMMasked Language Modeling 随机选择部分 token 作为预测目标，让 Encoder 在同一层中同时访问目标左右上下文。它不同于 GPT 的严格左到右 next-token objective，因此 BERT 天然更适合作为双向表征编码器而非直接自回归生成器。Masked Language Modeling
NSPNext Sentence Prediction（NSP）是原始 BERT 的第二个预训练任务，判断句子 B 是否在语料中紧随句子 A；后续 BERT 变体并非都保留该任务。Masked Language Modeling
[CLS]本讲核心技术对象；其定义需结合当前章节的输入、输出和假设理解。Masked Language Modeling
[SEP]本讲核心技术对象；其定义需结合当前章节的输入、输出和假设理解。Masked Language Modeling

核心概念关系图

图 2　核心对象之间的功能关系。 图示说明表示、计算机制与评价之间的依赖，不复刻课程 PPT。

5. 核心技术机制

1. BERT

BERT 使用 Transformer Encoder，并通过 Masked Language Modeling 从左右双向上下文预测被遮蔽 token。原始 BERT 还使用 Next Sentence Prediction；后续研究证明 NSP 并非所有 BERT-style 训练的必要组件。

2. Transformer Encoder

Transformer Encoder layer 由 bidirectional self-attention 和 position-wise FFN 构成，配合 residual/normalization。Encoder 适合需要整段输入上下文的表示任务，BERT 即采用多层 Encoder 堆叠。

3. MLM

Masked Language Modeling 随机选择部分 token 作为预测目标，让 Encoder 在同一层中同时访问目标左右上下文。它不同于 GPT 的严格左到右 next-token objective，因此 BERT 天然更适合作为双向表征编码器而非直接自回归生成器。

4. NSP

Next Sentence Prediction（NSP）是原始 BERT 的第二个预训练任务，判断句子 B 是否在语料中紧随句子 A；后续 BERT 变体并非都保留该任务。

方法流程

将核心概念放回执行过程后，可以得到下表。正式算法描述必须同时给出状态更新、评价标准与终止条件，而不能只记录操作顺序。

阶段处理步骤主要技术对象
1构造 [CLS]/[SEP] 与双向输入BERT
2随机 mask 部分 token 形成预训练目标Transformer Encoder
3多层 Transformer Encoder 学习上下文表示MLM
4添加轻量任务头进行 fine-tuningNSP
5按任务指标评估表示迁移[CLS]

相关对象的功能比较

对象定义使用边界
BERTBERT 使用 Transformer Encoder，并通过 Masked Language Modeling 从左右双向上下文预测被遮蔽 token。原始 BERT 还使用 Next Sentence Prediction；后续研究证明 NSP 并非所有 BERT-style 训练的必要组件。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
Transformer EncoderTransformer Encoder layer 由 bidirectional self-attention 和 position-wise FFN 构成，配合 residual/normalization。Encoder 适合需要整段输入上下文的表示任务，BERT 即采用多层 Encoder 堆叠。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
MLMMasked Language Modeling 随机选择部分 token 作为预测目标，让 Encoder 在同一层中同时访问目标左右上下文。它不同于 GPT 的严格左到右 next-token objective，因此 BERT 天然更适合作为双向表征编码器而非直接自回归生成器。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
NSPNext Sentence Prediction（NSP）是原始 BERT 的第二个预训练任务，判断句子 B 是否在语料中紧随句子 A；后续 BERT 变体并非都保留该任务。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
[CLS]核心技术对象主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。

6. 性质、实验与证据

训练与推理的边界

模型结构定义的是可计算函数，训练算法决定参数如何从数据中估计，推理过程则在固定参数下执行预测或生成。把三者分开可以避免把训练技巧误写成网络结构，也避免把推理阶段行为反向解释成训练目标。

复杂度与工程约束

理论公式通常忽略内存带宽、并行度、batching 和数值精度。实际系统需要同时考虑参数量、激活占用、序列长度和硬件吞吐；因此“准确率更高”的组件未必适合所有在线位置，AlphaGo 的快速 rollout 与大型语言模型中的 KV cache 都体现了类似工程折衷。

对于具有明确理论条件的算法，本节优先说明正确性、最优性、收敛性或复杂度的前提；对于以实验建立有效性的学习模型，则区分训练指标、验证指标、消融实验和最终任务结果。任何数值都应绑定数据集、模型版本、硬件或搜索预算，不能脱离实验条件泛化。

7. 课程主线与事实核查

课程知识主线。 根据原 ASR，可以确认本讲的教学主线集中在 BERT、Transformer Encoder、MLM、NSP、[CLS]、[SEP] 及其相互关系。课程中的逐图指点、重复设问、口头自我修正和非技术性铺垫均已删除；保留下来的知识被重排为“问题定义—形式化—算法/模型机制—评价—边界”的书面结构。

事实核查与校订：

  • BERT 全称为 Bidirectional Encoder Representations from Transformers；不是“GPT Transformer 的双向编码器”。

外部扩充边界。 外部检索材料只用于补充标准定义、原始论文结果、算法成立条件和后续技术发展；它们不会被反向写成讲师原本展示过的 PPT 参数。对纯 ASR 无法唯一恢复的图中数字、箭头和公式局部符号，正文只保留能够由上下文与权威资料共同确认的技术关系。

8. 局限与实践边界

任何课程级算法都存在适用条件。工程使用时必须重新检查数据或状态分布、目标函数、计算预算和评价协议，而不是机械复制示例超参数。随机方法应报告随机种子、重复试验与预算；学习模型应严格区分训练、验证和测试；搜索算法应明确最优性前提、重复状态处理和资源上限。

本讲涉及的核心对象之间通常存在明确折衷：更强的表示或估值可能增加计算成本，更激进的剪枝或近似可能损失保证，更复杂的模型可能需要更多数据和正则化。正式结论因此应表述为“在给定假设和评价条件下有效”，而不是无条件优于其他方法。

9. 展望

Encoder-only 预训练随后发展出 RoBERTa、DeBERTa 等变体，并在检索、分类和表示任务中持续使用。长文本建模、参数高效微调与检索增强是其重要扩展方向。

后续技术是否构成真正改进，应使用与当前方法可比的基准、预算和评价协议验证。对于快速演进的软件或模型版本，正文只把稳定原理写入主结论，把易变化的工程参数视为版本性信息。

10. 结论

“BERT 预训练：双向 Transformer Encoder、MLM 与 NSP”应被理解为由**BERT、Transformer Encoder、MLM、NSP、[CLS]**共同构成的完整技术问题，而不是若干课堂操作的顺序记录。论文式说明必须同时回答方法解决什么问题、基于何种假设、如何计算、怎样评价以及在哪些条件下可能失效。经过 ASR 主线提取、英文一手资料检索和事实核查后，本章将原有口语课程转换为可独立阅读、可追溯来源且信息密度更高的正式技术文本。

参考文献与核查来源

  1. Devlin et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. source.
  2. Vaswani et al. (2017). Attention Is All You Need. source.

生成流程：ASR 知识主线提取 → 论文式重构 → 英文一手资料检索与交叉核验 → 技术扩充 → SVG/表格/MathJax 排版。正文采用 UTF-8。MathJax 通过 CDN 加载；无网络时 LaTeX 源码仍保留，但完整数学排版需要可访问 MathJax。