当前位置：首页 > news >正文

虚拟主机能建设网站吗百度爱采购关键词优化

news 2025/7/27 1:52:06

虚拟主机能建设网站吗,百度爱采购关键词优化,媒体融合网络舆论,做淘宝网站用什么软件有哪些内容SpanBERT出自Facebook，就是在BERT的基础上，针对预测spans of text的任务，在预训练阶段做了特定的优化，它可以用于span-based pretraining。这里的Span翻译为“片段”，表示一片连续的单词。SpanBERT最常用于需要预测文本…

SpanBERT出自Facebook，就是在BERT的基础上，针对预测spans of text的任务，在预训练阶段做了特定的优化，它可以用于span-based pretraining。这里的Span翻译为“片段”，表示一片连续的单词。SpanBERT最常用于需要预测文本片段的任务。SpanBERT: Improving Pre-training by Representing and Predicting Spans

SpanBERT所做的预训练调整主要是以下三点：1.使用一种span masking来代替BERT的mask；2.加入另外一个新的训练目标：Span Boundary Objective (SBO)；3.使用单个句子而非一对句子，并且不使用Next Sentence Prediction任务。这样，SpanBERT使用了两个目标函数：MLM和SBO。

1 Span Masking

给定一个tokens序列 X = ( x1 , x2 , . . . , xn )，每次都会通过采样文本的一个片段（span），得到一个子集 Y ∈ X，直到满足15%的mask。在每次采样过程中，首先，随机选取一个片段长度，然后再随机选取一个起点，这样就可以到一个span进行mask了；span的长度会进行截断，即不超过10，并且实验得到p取0.2效果最好；

另外，span的长度是指word的长度，而不是subword，这也意味着采样的单位是word而非subword，并且随取的起点必须是一个word的开头。

与BERT一样，mask机制仍然为：80%替换为[MASK]，10%保持不变，10%用随机的token替换。但不用的是，span masking是span级别的，即同一个span里的所有tokens会是同一种mask。

举例说明：

在SpanBERT中，不是对标记进行随机掩码，而是对连续片段进行掩码.

2 Span Boundary Objective

这个新增的预训练任务概括起来其实就是：仅使用span边界的tokens的表征，来预测该span内的这些mask的tokens原来对应哪些tokens，这其实与mlm类似，但它不使用上下文的所有tokens的表征。对masked span中的整体内容进行预测。

如果模型只使用片段边界标记表示来预测任何掩码的标记，那它是如何区分不同的被掩码的标记呢？比如，为了预测掩码的标记 $x_6$ ，我们的模型只使用片段边界标记表示 $R_5$ 和 $R_{10}$ ，然后为了预测掩码的标记 $x_7$ ，我们的模型还是使用 $R_5$ 和 $R_{10}$ 。那这样的话，模型如何区别不同的掩码标记呢？因此，除了片段边界标记表示，模型还使用掩码标记的位置嵌入信息。这里的位置嵌入代表了掩码标记的相对位置。假设我们要预测掩码标记 $x_7$ 。现在，在所有的掩码标记中，我们检查掩码标记 $x_7$ 的位置。

如下图所示，掩码标记 $x_7$ 是所有掩码标记的第二个位置。所以现在，除了使用片段边界标记表示，我们也使用该掩码标记的位置嵌入，即 $P_2$ 。通过外边界tokens的表征【R5】、【R10】和 $x_i$ 相对位置embedding，用它去预测token $x_i$ ，与BERT中的MLM任务一样。

计算公式如下所示：

其中s表示span的起始位置，s-1表示的是span的左侧边界token；e表示的是span的结束位置，e+1表示的是span的右侧边界token，p表示的是位置信息。

使用 $z_i$ 预测掩码标记 $x_i$ ，训练过程中，将 $z_i$ 喂给一个分类器，它返回预测的词表中所有单词的概率分布。

在MLM目标中，为了预测掩码标记 $x_i$ ，我们只要使用标记标记 $R_i$ 即可。将 $R_i$ 喂给一个分类器，它返回预测的词表中所有单词的概率分布。

SpanBERT的损失函数是MLM损失和SBO损失的总和。我们通过最小化这个损失函数来训练SpanBERT。在预训练之后，我们可以把预训练的SpanBERT用于任何下游任务。

3 Single-Sequence Training

BERT中包含着一个next sentence prediction的任务，这个任务的input是两个text的序列 , 预测二者是否是上下文。作者通过实验发现，这样的一种设置会比去掉NSP objective而只使用一个sequence的效果要差。因而作者猜测，single-sequence training比bi-sequence training+NSP的效果要好，分析原因如下：

模型能够从更长的full-length contexts中受益更多；
以从另外一个document中得到的context为条件，往往会给masked language model中添加许多noise。

因此，作者去掉了NSP objective以及two-segment sampling procedure，并仅仅采样出一个单独的continuous segment（这个segment中至多有512个tokens）。

Reference:

https://helloai.blog.csdn.net/article/details/120499194?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2https://helloai.blog.csdn.net/article/details/120499194?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2