BERT 模型的训练主要分为三个阶段：
1. Masked Language Model，基于对自然语言的语料打标签生成训练样本，将无监督学习转换为监督学习
2. Pretraining，模型训练的核心过程，生成能理解语言的模型
3. Fine-tuning，基于对模型的理解，完成特定的任务。

Masked Language Model

Masked Language Model 的任务是将无标签的语料转换为有标签的语料，进而将无监督学习转化为监督学习。这个过程需要准备两份材料：原始语料和词汇表。
原始语料就是一系列符合语法的句子或段落。
词汇表维持token-id的映射，除了一门语言自身的词汇，BERT还要求词汇表包含[PAD], [UNK], [CLS], [SEP]和[MASK]。

Pretraining

Pretraining是整个BERT训练的核心，其目的是获取Language Model(语言模型)，一个含有每个词的Embedding的神经网络模型，形象的说，完成了Pretraining的过程，就类似于一个英文系或中文系的学生毕业了。

Pretraining 训练目标有两个：
1. Masked LM Prediction， 预测在MLM阶段被故意处理的15%候选词。
2. Next Sentence Prediction，预测在MLM阶段被故意拼接的50%句子。

经过不断的调整模型参数，直到模型可以准确的找到候选词和拼接句子的正确答案。

下图是BERT的模型结构，其中两个关键概念：Embedding和Self-Attention，BERT神经网络就是通过不断调节Embedding和Self-Attention的参数来实现”理解”一门语言的目的。

Embedding(词嵌入)可以理解为是对一个词的数值化表达。比如中文常用字3000个，如果要对他们进行编码，最简单的方法就是从0数到2999，也可以用一个长度是3000的数组，通过分别在[0], [1] … [2999]的数值置1，其余置0来进行编码(one-hot编码)。这两种方法都能满足区分文字的目的，但不能表示出两个字的相似性，比如，在编码上，”我”的编码([1])和”书”的编码([4])差值比和”人的编码([1282]) 小，但我们不能说在语言上”我”和“书”的关系比和”人”更近。而Embedding就希望解决这样一个问题，我们希望为一门语言的每个词进行编码，如果编码A和编码B的数值距离比编码A和编码C数值距离更近，那么语言上A代表的词和B代表的词的相似度，就比和C代表的词的相似度更高。这个编码就是Embedding。
典型的应用就是在推荐系统中，用户喜欢A商品，那么就可以从库中找到和A的Embedding最相似的Embedding对应的商品，推荐给用户。

Attention(注意力机制) 在NLP中最早用于翻译任务中的语义理解，用于获取针对特定词，句子中各个词的相关性排序。
打个比方，小C看了电影”复仇者联盟”，想去书店找更多关于”漫威”的资料，书店的书浩如烟海，在没有任何先验知识的前提下，首先能做的只能是逐本，逐页地看，但看过一遍之后，就可以知道3-1区域的漫画书籍和”漫威”关系较大，再仔细看一遍3-1区域，发现美国漫画的书籍和”漫威”关系更大，就这样带着问题找答案，最终，就知道书店里每一本书和”漫威”的相关性。这里，”漫威”就是我们的”注意力”所在，我们只关注和”漫威”相关的部分，相似度判断是小C看”复仇者联盟”积累的记忆，找到每本书和”漫威”的相关性排序是结果

以上文为例，”秦 昭 襄 [MASK] 嬴 稷 与 [MASK] 怀 王 熊 槐 在 黄 棘”，经过onehot->embedding table –> embedding 的映射，其实两个”[MASK]”的Embedding成分中，只有E(position)不同，E(token) 和E(segment)均相同，那如何知道被[MASK]的分别是什么呢？就要依赖Attention结构分析相似性并排序的能力。

在下图中，Attention的输入是一组Embedding，起初，Attention还不能很好的根据上下文推断出[MASK]的词，但在label的帮助下，经过不断地迭代，不断地调整Query，Key和Value内的变量值，Attention最终可以在输入的Embedding几乎相同(仅E(position)不同)的情况下，根据上下文的不同，推断出第一个MASK对应的是”王”而第二个是”楚”。

Fine-tuning

在Pretraining阶段理解了整个语言之后，Fine-tuning就是学习如何执行具体任务，这个阶段的算力需求也比Pretraining小很多。好比一个英文系的学生毕业后从事古典文学翻译工作，已有的语言知识要针对具体的任务做微调。

一切NLP皆分类，对于常见的NLP任务，论文中给出了如何设计分类器来进行Fine-tuning。比如，(a)图中列出的数据集都是判断两个句子的关系，Sentence1: 明天天气晴朗，Sentence2：明天暴雨，Label: Contradict，Pretraining之后BERT具备了”语感”，知道什么是话是通顺的，此时只需要将Sentence1 和Sentence2拼接：明天天气晴朗，明天暴雨，Label：Contradict，借助之前培养的”语感”，经过几轮迭代，BERT就会进一步学会”分类”。

就这样，通过将各个NLP任务转化为对一个句子的分类任务，对BERT模型进行进一步训练，就可以使模型具备完成具体任务的能力。

经过Fine-tuning阶段，模型已经Ready，就可以愉快地拿去测试了

Ref：
https://github.com/google-research/bert
https://arxiv.org/pdf/1810.04805.pdf
https://arxiv.org/pdf/1706.03762.pdf
https://www.cnblogs.com/guoyaohua/p/9429924.html