听说你还没读过 Bert 源码？

前言

前几天面试，有面试官直接拿 bert 的源码让我分析，emm，有点厉害呀。还好老宋底子可以，之前看过 Transformer 的实现，自己也用 Transformer 写了一下文本分类任务，没有难住我，哈哈哈哈。

不过，看来，如今，面试官们已经不满足仅仅只问原理了，倒也是，如何看出一个人的代码能力，看看他读源码的能力就能看得出来。

因此，老宋觉得各位真的要看一看 Bert 的源码了，于是，我花了一个下午，屡清楚各个代码，并且对关键地方做了注释，大家可以看一看我的仓库：BERT-pytorch （https://github.com/songyingxin/BERT-pytorch）

BERT-Pytorch 在分发包时，主要设置了两大功能：

bert-vocab ：统计词频，token2idx, idx2token 等信息。对应 bert_pytorch.dataset.vocab 中的 build 函数。
bert：对应 bert_pytorch.__main__ 下的 train 函数。

为了能够调试，我重新建立了两个文件来分别对这两大功能进行调试。

python3 -m ipdb test_bert_vocab.py  # 调试 bert-vocab

其实 bert-vocab 内部并没有什么重要信息，无非就是一些自然语言处理中常见的预处理手段，自己花个十分钟调试一下就明白了，我加了少部分注释，很容易就能明白。

内部继承关系为：

TorchVocab --> Vocab --> WordVocab

python3 -m ipdb test_bert.py -c data/corpus.small -v data/vocab.small -o output/bert.model

从模型整体上看，分为两大部分： MaskedLanguageModel 与 NextSentencePrediction ，并且二者都以 BERT 为前置模型，在分别加上一个全连接层与 softmax 层来分别获得输出。

这段代码相对很简单，十分容易理解，略过。

这部分其实就是 Transformer Encoder 部分 + BERT Embedding，如果不熟悉 Transformer 的同学，恰好可以从此处来加深理解。

这部分源码阅读建议可先大致浏览一下整体，有一个大致的框架，明白各个类之间的依赖关系，然后从细节到整体逐渐理解，即从上图看，从右往左读，效果会更好。

分为三大部分：

这里面需要注意的就是 PositionalEmbedding，因为有些面试官会很抠细节，而我对这些我觉得对我没有啥帮助的东西，一般了解一下就放过了，细节没有抠清楚，事实证明，吃亏了。

这里面的东西十分建议对照论文一起看，当然，如果很熟的话可以略过。我在里面关键的地方都加上了注释，如果还是看不懂的话可以提 issue，这里就不赘述了。

我个人觉得 Google 这个代码写的真的是漂亮，结构很清晰，整个看下来不用几个小时就能明白了，推荐采用我的那种调试方式从头到尾调试一遍，这样会更清晰。

觉得不错，点个赞可好。

原文链接：https://zhuanlan.zhihu.com/p/76936436