写在前面

update@2020.02.10

最近在看paddle相关，于是就打算仔细过一遍百度ERNIE的源码。之前粗看的时候还没有ERNIE2.0、ERNIE-tiny,整体感觉跟BERT也挺类似的，不知道更新了之后会是啥样~看完也会整理跟下面类似的总结，刚好也在研究paddle或ERNIE的同学可以加我一起讨论哈哈哈

原内容@2019.05.16

BERT 模型也出来很久了，之前有看过论文和一些博客对其做了解读：NLP 大杀器 BERT 模型解读[1]，但是一直没有细致地去看源码具体实现。最近有用到就抽时间来仔细看看记录下来，和大家一起讨论。

注意，源码阅读系列需要提前对 NLP 相关知识有所了解，比如 attention 机制、transformer 框架以及 python 和 tensorflow 基础等，关于 BERT 的原理不是本文的重点。

附上关于 BERT 的资料汇总：BERT 相关论文、文章和代码资源汇总[2]

今天要介绍的是 BERT 最主要的模型实现部分-----BertModel，代码位于

modeling.py 模块 [3]

除了代码块外部，在代码块内部也有注释噢

如有解读不正确，请务必指出~

1、配置类（BertConfig）

这部分代码主要定义了 BERT 模型的一些默认参数，另外包括了一些文件处理函数。

class BertConfig(object):  """BERT模型的配置类."""  def __init__(self,               vocab_size,               hidden_size=768,               num_hidden_layers=12,               num_attention_heads=12,               intermediate_size=3072,               hidden_act="gelu",               hidden_dropout_prob=0.1,               attention_probs_dropout_prob=0.1,               max_position_embeddings=512,               type_vocab_size=16,               initializer_range=0.02):    self.vocab_size = vocab_size    self.hidden_size = hidden_size    self.num_hidden_layers = num_hidden_layers    self.num_attention_heads = num_attention_heads    self.hidden_act = hidden_act    self.intermediate_size = intermediate_size    self.hidden_dropout_prob = hidden_dropout_prob    self.attention_probs_dropout_prob = attention_probs_dropout_prob    self.max_position_embeddings = max_position_embeddings    self.type_vocab_size = type_vocab_size    self.initializer_range = initializer_range  @classmethod  def from_dict(cls, json_object):    """Constructs a `BertConfig` from a Python dictionary of parameters."""    config = BertConfig(vocab_size=None)    for (key, value) in six.iteritems(json_object):      config.__dict__[key] = value    return config  @classmethod  def from_json_file(cls, json_file):    """Constructs a `BertConfig` from a json file of parameters."""    with tf.gfile.GFile(json_file, "r") as reader:      text = reader.read()    return cls.from_dict(json.loads(text))  def to_dict(self):    """Serializes this instance to a Python dictionary."""    output = copy.deepcopy(self.__dict__)    return output  def to_json_string(self):    """Serializes this instance to a JSON string."""    return json.dumps(self.to_dict(), indent=2, sort_keys=True) + "\n"

「参数具体含义」

vocab_size：词表大小
hidden_size：隐藏层神经元数
num_hidden_layers：Transformer encoder 中的隐藏层数
*num_attention_heads：*multi-head attention 的 head 数
intermediate_size：encoder 的“中间”隐层神经元数（例如 feed-forward layer）
hidden_act：隐藏层激活函数
hidden_dropout_prob：隐层 dropout 率
attention_probs_dropout_prob：注意力部分的 dropout
max_position_embeddings：最大位置编码
type_vocab_size：token_type_ids 的词典大小
initializer_range：truncated_normal_initializer 初始化方法的 stdev

这里要注意一点，可能刚看的时候对type_vocab_size这个参数会有点不理解，其实就是在next sentence prediction任务里的Segment A和 Segment B。在下载的bert_config.json文件里也有说明，默认值应该为 2。参考这个 Issue[4]

2、获取词向量（Embedding_lookup）

对于输入 word_ids，返回 embedding table。可以选用 one-hot 或者 tf.gather()

def embedding_lookup(input_ids,                        # word_id：【batch_size, seq_length】                     vocab_size,                     embedding_size=128,                     initializer_range=0.02,                     word_embedding_name="word_embeddings",                     use_one_hot_embeddings=False):  # 该函数默认输入的形状为【batch_size, seq_length, input_num】  # 如果输入为2D的【batch_size, seq_length】，则扩展到【batch_size, seq_length, 1】  if input_ids.shape.ndims == 2:    input_ids = tf.expand_dims(input_ids, axis=[-1])  embedding_table = tf.get_variable(      name=word_embedding_name,      shape=[vocab_size, embedding_size],      initializer=create_initializer(initializer_range))  flat_input_ids = tf.reshape(input_ids, [-1])    #【batch_size*seq_length*input_num】  if use_one_hot_embeddings:    one_hot_input_ids = tf.one_hot(flat_input_ids, depth=vocab_size)    output = tf.matmul(one_hot_input_ids, embedding_table)  else:    # 按索引取值    output = tf.gather(embedding_table, flat_input_ids)  input_shape = get_shape_list(input_ids)  # output：[batch_size, seq_length, num_inputs]  # 转成:[batch_size, seq_length, num_inputs*embedding_size]  output = tf.reshape(output,                        input_shape[0:-1] + [input_shape[-1] * embedding_size])  return (output, embedding_table)

「参数具体含义」

input_ids：word id 【batch_size, seq_length】
vocab_size：embedding 词表
embedding_size：embedding 维度
initializer_range：embedding 初始化范围
word_embedding_name：embeddding table 命名
use_one_hot_embeddings：是否使用 one-hotembedding
Return：【batch_size, seq_length, embedding_size】

3、词向量的后续处理（embedding_postprocessor）

我们知道 BERT 模型的输入有三部分：token embedding ，segment embedding以及position embedding。上一节中我们只获得了 token embedding，这部分代码对其完善信息，正则化，dropout 之后输出最终 embedding。注意，在 Transformer 论文中的position embedding是由 sin/cos 函数生成的固定的值，而在这里代码实现中是跟普通 word embedding 一样随机生成的，可以训练的。作者这里这样选择的原因可能是 BERT 训练的数据比 Transformer 那篇大很多，完全可以让模型自己去学习。 BERT源码分析（PART I）

def embedding_postprocessor(input_tensor,                # [batch_size, seq_length, embedding_size]                            use_token_type=False,                            token_type_ids=None,                            token_type_vocab_size=16,        # 一般是2                            token_type_embedding_name="token_type_embeddings",                            use_position_embeddings=True,                            position_embedding_name="position_embeddings",                            initializer_range=0.02,                            max_position_embeddings=512,    #最大位置编码，必须大于等于max_seq_len                            dropout_prob=0.1):  input_shape = get_shape_list(input_tensor, expected_rank=3)   #【batch_size,seq_length,embedding_size】  batch_size = input_shape[0]  seq_length = input_shape[1]  width = input_shape[2]  output = input_tensor  # Segment position信息  if use_token_type:    if token_type_ids is None:      raise ValueError("`token_type_ids` must be specified if"                       "`use_token_type` is True.")    token_type_table = tf.get_variable(        name=token_type_embedding_name,        shape=[token_type_vocab_size, width],        initializer=create_initializer(initializer_range))    # 由于token-type-table比较小，所以这里采用one-hot的embedding方式加速    flat_token_type_ids = tf.reshape(token_type_ids, [-1])    one_hot_ids = tf.one_hot(flat_token_type_ids, depth=token_type_vocab_size)    token_type_embeddings = tf.matmul(one_hot_ids, token_type_table)    token_type_embeddings = tf.reshape(token_type_embeddings,                                       [batch_size, seq_length, width])    output += token_type_embeddings  # Position embedding信息  if use_position_embeddings:    # 确保seq_length小于等于max_position_embeddings    assert_op = tf.assert_less_equal(seq_length, max_position_embeddings)    with tf.control_dependencies([assert_op]):      full_position_embeddings = tf.get_variable(          name=position_embedding_name,          shape=[max_position_embeddings, width],          initializer=create_initializer(initializer_range))      # 这里position embedding是可学习的参数，[max_position_embeddings, width]      # 但是通常实际输入序列没有达到max_position_embeddings      # 所以为了提高训练速度，使用tf.slice取出句子长度的embedding      position_embeddings = tf.slice(full_position_embeddings, [0, 0],                                     [seq_length, -1])      num_dims = len(output.shape.as_list())      # word embedding之后的tensor是[batch_size, seq_length, width]      # 因为位置编码是与输入内容无关，它的shape总是[seq_length, width]      # 我们无法把位置Embedding加到word embedding上      # 因此我们需要扩展位置编码为[1, seq_length, width]      # 然后就能通过broadcasting加上去了。      position_broadcast_shape = []      for _ in range(num_dims - 2):        position_broadcast_shape.append(1)      position_broadcast_shape.extend([seq_length, width])      position_embeddings = tf.reshape(position_embeddings,                                       position_broadcast_shape)      output += position_embeddings  output = layer_norm_and_dropout(output, dropout_prob)  return output

4、构造 attention_mask

该部分代码的作用是构造 attention 可视域的 attention_mask，因为每个样本都经过 padding 过程，在做self-attention的是padding的部分不能attend到其他部分上。输入为形状为 [batch_size, from_seq_length,...] 的 padding 好的 input_ids 和形状为 [batch_size, to_seq_length] 的 mask 标记向量。

def create_attention_mask_from_input_mask(from_tensor, to_mask):  from_shape = get_shape_list(from_tensor, expected_rank=[2, 3])  batch_size = from_shape[0]  from_seq_length = from_shape[1]  to_shape = get_shape_list(to_mask, expected_rank=2)  to_seq_length = to_shape[1]  to_mask = tf.cast(      tf.reshape(to_mask, [batch_size, 1, to_seq_length]), tf.float32)  broadcast_ones = tf.ones(      shape=[batch_size, from_seq_length, 1], dtype=tf.float32)  mask = broadcast_ones * to_mask  return mask

5、注意力层（attention layer）

这部分代码是「multi-head attention」的实现，主要来自《Attention is all you need》这篇论文。考虑key-query-value形式的 attention，输入的from_tensor当做是 query， to_tensor当做是 key 和 value，当两者相同的时候即为 self-attention。关于 attention 更详细的介绍可以转到【理解 Attention 机制原理及模型[5]】。

def attention_layer(from_tensor,   # 【batch_size, from_seq_length, from_width】                    to_tensor,        #【batch_size, to_seq_length, to_width】                    attention_mask=None,        #【batch_size,from_seq_length, to_seq_length】                    num_attention_heads=1,        # attention head numbers                    size_per_head=512,            # 每个head的大小                    query_act=None,                # query变换的激活函数                    key_act=None,                # key变换的激活函数                    value_act=None,                # value变换的激活函数                    attention_probs_dropout_prob=0.0,        # attention层的dropout                    initializer_range=0.02,                    # 初始化取值范围                    do_return_2d_tensor=False,                # 是否返回2d张量。#如果True，输出形状【batch_size*from_seq_length,num_attention_heads*size_per_head】#如果False，输出形状【batch_size, from_seq_length, num_attention_heads*size_per_head】                    batch_size=None,                        #如果输入是3D的，#那么batch就是第一维，但是可能3D的压缩成了2D的，所以需要告诉函数batch_size                    from_seq_length=None,                    # 同上                    to_seq_length=None):                    # 同上  def transpose_for_scores(input_tensor, batch_size, num_attention_heads,                           seq_length, width):    output_tensor = tf.reshape(        input_tensor, [batch_size, seq_length, num_attention_heads, width])    output_tensor = tf.transpose(output_tensor, [0, 2, 1, 3])    #[batch_size,  num_attention_heads, seq_length, width]    return output_tensor  from_shape = get_shape_list(from_tensor, expected_rank=[2, 3])  to_shape = get_shape_list(to_tensor, expected_rank=[2, 3])  if len(from_shape) != len(to_shape):    raise ValueError(        "The rank of `from_tensor` must match the rank of `to_tensor`.")  if len(from_shape) == 3:    batch_size = from_shape[0]    from_seq_length = from_shape[1]    to_seq_length = to_shape[1]  elif len(from_shape) == 2:    if (batch_size is None or from_seq_length is None or to_seq_length is None):      raise ValueError(          "When passing in rank 2 tensors to attention_layer, the values "          "for `batch_size`, `from_seq_length`, and `to_seq_length` "          "must all be specified.")  # 为了方便备注shape，采用以下简写:  #   B = batch size (number of sequences)  #   F = `from_tensor` sequence length  #   T = `to_tensor` sequence length  #   N = `num_attention_heads`  #   H = `size_per_head`  # 把from_tensor和to_tensor压缩成2D张量  from_tensor_2d = reshape_to_matrix(from_tensor)        # 【B*F, hidden_size】  to_tensor_2d = reshape_to_matrix(to_tensor)            # 【B*T, hidden_size】  # 将from_tensor输入全连接层得到query_layer  # `query_layer` = [B*F, N*H]  query_layer = tf.layers.dense(      from_tensor_2d,      num_attention_heads * size_per_head,      activation=query_act,      name="query",      kernel_initializer=create_initializer(initializer_range))  # 将from_tensor输入全连接层得到query_layer  # `key_layer` = [B*T, N*H]  key_layer = tf.layers.dense(      to_tensor_2d,      num_attention_heads * size_per_head,      activation=key_act,      name="key",      kernel_initializer=create_initializer(initializer_range))  # 同上  # `value_layer` = [B*T, N*H]  value_layer = tf.layers.dense(      to_tensor_2d,      num_attention_heads * size_per_head,      activation=value_act,      name="value",      kernel_initializer=create_initializer(initializer_range))  # query_layer转成多头：[B*F, N*H]==>[B, F, N, H]==>[B, N, F, H]  query_layer = transpose_for_scores(query_layer, batch_size,                                     num_attention_heads, from_seq_length,                                     size_per_head)  # key_layer转成多头：[B*T, N*H] ==> [B, T, N, H] ==> [B, N, T, H]  key_layer = transpose_for_scores(key_layer, batch_size, num_attention_heads,                                   to_seq_length, size_per_head)  # 将query与key做点积，然后做一个scale，公式可以参见原始论文  # `attention_scores` = [B, N, F, T]  attention_scores = tf.matmul(query_layer, key_layer, transpose_b=True)  attention_scores = tf.multiply(attention_scores,                                 1.0 / math.sqrt(float(size_per_head)))  if attention_mask is not None:    # `attention_mask` = [B, 1, F, T]    attention_mask = tf.expand_dims(attention_mask, axis=[1])    # 如果attention_mask里的元素为1，则通过下面运算有（1-1）*-10000，adder就是0    # 如果attention_mask里的元素为0，则通过下面运算有（1-0）*-10000，adder就是-10000    adder = (1.0 - tf.cast(attention_mask, tf.float32)) * -10000.0    # 我们最终得到的attention_score一般不会很大，    #所以上述操作对mask为0的地方得到的score可以认为是负无穷    attention_scores += adder  # 负无穷经过softmax之后为0，就相当于mask为0的位置不计算attention_score  # `attention_probs` = [B, N, F, T]  attention_probs = tf.nn.softmax(attention_scores)  # 对attention_probs进行dropout，这虽然有点奇怪，但是Transforme原始论文就是这么做的  attention_probs = dropout(attention_probs, attention_probs_dropout_prob)  # `value_layer` = [B, T, N, H]  value_layer = tf.reshape(      value_layer,      [batch_size, to_seq_length, num_attention_heads, size_per_head])  # `value_layer` = [B, N, T, H]  value_layer = tf.transpose(value_layer, [0, 2, 1, 3])  # `context_layer` = [B, N, F, H]  context_layer = tf.matmul(attention_probs, value_layer)  # `context_layer` = [B, F, N, H]  context_layer = tf.transpose(context_layer, [0, 2, 1, 3])  if do_return_2d_tensor:    # `context_layer` = [B*F, N*H]    context_layer = tf.reshape(        context_layer,        [batch_size * from_seq_length, num_attention_heads * size_per_head])  else:    # `context_layer` = [B, F, N*H]    context_layer = tf.reshape(        context_layer,        [batch_size, from_seq_length, num_attention_heads * size_per_head])  return context_layer

总结一下，attention layer 的主要流程：

对输入的 tensor 进行形状校验，提取 batch_size、from_seq_length 、to_seq_length；
输入如果是 3d 张量则转化成 2d 矩阵；
from_tensor 作为 query， to_tensor 作为 key 和 value，经过一层全连接层后得到 query_layer、key_layer 、value_layer；
将上述张量通过 transpose_for_scores转化成 multi-head；
根据论文公式计算 attention_score 以及 attention_probs（注意 attention_mask 的 trick）：
将得到的 attention_probs 与 value 相乘，返回 2D 或 3D 张量

6、Transformer

接下来的代码就是大名鼎鼎的 Transformer 的核心代码了，可以认为是"Attention is All You Need"原始代码重现。可以参见【原始论文[6]】和【原始代码[7]】。

def transformer_model(input_tensor,                        # 【batch_size, seq_length, hidden_size】                      attention_mask=None,                # 【batch_size, seq_length, seq_length】                      hidden_size=768,                      num_hidden_layers=12,                      num_attention_heads=12,                      intermediate_size=3072,                      intermediate_act_fn=gelu,            # feed-forward层的激活函数                      hidden_dropout_prob=0.1,                      attention_probs_dropout_prob=0.1,                      initializer_range=0.02,                      do_return_all_layers=False):  # 这里注意，因为最终要输出hidden_size， 我们有num_attention_head个区域，  # 每个head区域有size_per_head多的隐层  # 所以有 hidden_size = num_attention_head * size_per_head  if hidden_size % num_attention_heads != 0:    raise ValueError(        "The hidden size (%d) is not a multiple of the number of attention "        "heads (%d)" % (hidden_size, num_attention_heads))  attention_head_size = int(hidden_size / num_attention_heads)  input_shape = get_shape_list(input_tensor, expected_rank=3)  batch_size = input_shape[0]  seq_length = input_shape[1]  input_width = input_shape[2]  # 因为encoder中有残差操作，所以需要shape相同  if input_width != hidden_size:    raise ValueError("The width of the input tensor (%d) != hidden size (%d)" %                     (input_width, hidden_size))  # reshape操作在CPU/GPU上很快，但是在TPU上很不友好  # 所以为了避免2D和3D之间的频繁reshape，我们把所有的3D张量用2D矩阵表示  prev_output = reshape_to_matrix(input_tensor)  all_layer_outputs = []  for layer_idx in range(num_hidden_layers):    with tf.variable_scope("layer_%d" % layer_idx):      layer_input = prev_output      with tf.variable_scope("attention"):      # multi-head attention        attention_heads = []        with tf.variable_scope("self"):        # self-attention          attention_head = attention_layer(              from_tensor=layer_input,              to_tensor=layer_input,              attention_mask=attention_mask,              num_attention_heads=num_attention_heads,              size_per_head=attention_head_size,              attention_probs_dropout_prob=attention_probs_dropout_prob,              initializer_range=initializer_range,              do_return_2d_tensor=True,              batch_size=batch_size,              from_seq_length=seq_length,              to_seq_length=seq_length)          attention_heads.append(attention_head)        attention_output = None        if len(attention_heads) == 1:          attention_output = attention_heads[0]        else:          # 如果有多个head，将他们拼接起来          attention_output = tf.concat(attention_heads, axis=-1)        # 对attention的输出进行线性映射, 目的是将shape变成与input一致        # 然后dropout+residual+norm        with tf.variable_scope("output"):          attention_output = tf.layers.dense(              attention_output,              hidden_size,              kernel_initializer=create_initializer(initializer_range))          attention_output = dropout(attention_output, hidden_dropout_prob)          attention_output = layer_norm(attention_output + layer_input)      # feed-forward      with tf.variable_scope("intermediate"):        intermediate_output = tf.layers.dense(            attention_output,            intermediate_size,            activation=intermediate_act_fn,            kernel_initializer=create_initializer(initializer_range))      # 对feed-forward层的输出使用线性变换变回‘hidden_size’      # 然后dropout + residual + norm      with tf.variable_scope("output"):        layer_output = tf.layers.dense(            intermediate_output,            hidden_size,            kernel_initializer=create_initializer(initializer_range))        layer_output = dropout(layer_output, hidden_dropout_prob)        layer_output = layer_norm(layer_output + attention_output)        prev_output = layer_output        all_layer_outputs.append(layer_output)  if do_return_all_layers:    final_outputs = []    for layer_output in all_layer_outputs:      final_output = reshape_from_matrix(layer_output, input_shape)      final_outputs.append(final_output)    return final_outputs  else:    final_output = reshape_from_matrix(prev_output, input_shape)    return final_output

配上下图一同使用效果更佳，因为 BERT 里只有 encoder，所有 decoder 没有姓名 BERT源码分析（PART I）

7、函数入口（init）

BertModel 类的构造函数，有了上面几节的铺垫，我们就可以来实现 BERT 模型了。

def __init__(self,               config,                            # BertConfig对象               is_training,               input_ids,                        # 【batch_size, seq_length】               input_mask=None,                    # 【batch_size, seq_length】               token_type_ids=None,                # 【batch_size, seq_length】               use_one_hot_embeddings=False,    # 是否使用one-hot；否则tf.gather()               scope=None):    config = copy.deepcopy(config)    if not is_training:      config.hidden_dropout_prob = 0.0      config.attention_probs_dropout_prob = 0.0    input_shape = get_shape_list(input_ids, expected_rank=2)    batch_size = input_shape[0]    seq_length = input_shape[1]    # 不做mask，即所有元素为1    if input_mask is None:      input_mask = tf.ones(shape=[batch_size, seq_length], dtype=tf.int32)    if token_type_ids is None:      token_type_ids = tf.zeros(shape=[batch_size, seq_length], dtype=tf.int32)    with tf.variable_scope(scope, default_name="bert"):      with tf.variable_scope("embeddings"):        # word embedding        (self.embedding_output, self.embedding_table) = embedding_lookup(            input_ids=input_ids,            vocab_size=config.vocab_size,            embedding_size=config.hidden_size,            initializer_range=config.initializer_range,            word_embedding_name="word_embeddings",            use_one_hot_embeddings=use_one_hot_embeddings)        # 添加position embedding和segment embedding        # layer norm + dropout        self.embedding_output = embedding_postprocessor(            input_tensor=self.embedding_output,            use_token_type=True,            token_type_ids=token_type_ids,            token_type_vocab_size=config.type_vocab_size,            token_type_embedding_name="token_type_embeddings",            use_position_embeddings=True,            position_embedding_name="position_embeddings",            initializer_range=config.initializer_range,            max_position_embeddings=config.max_position_embeddings,            dropout_prob=config.hidden_dropout_prob)      with tf.variable_scope("encoder"):        # input_ids是经过padding的word_ids：[25, 120, 34, 0, 0]        # input_mask是有效词标记：[1, 1, 1, 0, 0]        attention_mask = create_attention_mask_from_input_mask(            input_ids, input_mask)        # transformer模块叠加        # `sequence_output` shape = [batch_size, seq_length, hidden_size].        self.all_encoder_layers = transformer_model(            input_tensor=self.embedding_output,            attention_mask=attention_mask,            hidden_size=config.hidden_size,            num_hidden_layers=config.num_hidden_layers,            num_attention_heads=config.num_attention_heads,            intermediate_size=config.intermediate_size,            intermediate_act_fn=get_activation(config.hidden_act),            hidden_dropout_prob=config.hidden_dropout_prob,            attention_probs_dropout_prob=config.attention_probs_dropout_prob,            initializer_range=config.initializer_range,            do_return_all_layers=True)      # `self.sequence_output`是最后一层的输出，shape为【batch_size, seq_length, hidden_size】      self.sequence_output = self.all_encoder_layers[-1]      # ‘pooler’部分将encoder输出【batch_size, seq_length, hidden_size】      # 转成【batch_size, hidden_size】      with tf.variable_scope("pooler"):        # 取最后一层的第一个时刻[CLS]对应的tensor， 对于分类任务很重要        # sequence_output[:, 0:1, :]得到的是[batch_size, 1, hidden_size]        # 我们需要用squeeze把第二维去掉        first_token_tensor = tf.squeeze(self.sequence_output[:, 0:1, :], axis=1)        # 然后再加一个全连接层，输出仍然是[batch_size, hidden_size]        self.pooled_output = tf.layers.dense(            first_token_tensor,            config.hidden_size,            activation=tf.tanh,            kernel_initializer=create_initializer(config.initializer_range))

总结一哈

有了以上对源码的深入了解之后，我们在使用 BertModel 的时候就会更加得心应手。举个模型使用的简单栗子：

# 假设输入已经经过分词变成word_ids. shape=[2, 3]input_ids = tf.constant([[31, 51, 99], [15, 5, 0]])input_mask = tf.constant([[1, 1, 1], [1, 1, 0]])# segment_emebdding. 表示第一个样本前两个词属于句子1，后一个词属于句子2.# 第二个样本的第一个词属于句子1， 第二次词属于句子2，第三个元素0表示padding# 原始代码是下面这样的，但是感觉么必要用 2，不知道是不是我哪里没理解token_type_ids = tf.constant([[0, 0, 1], [0, 2, 0]])# 创建BertConfig实例config = modeling.BertConfig(vocab_size=32000, hidden_size=512,         num_hidden_layers=8, num_attention_heads=6, intermediate_size=1024)# 创建BertModel实例model = modeling.BertModel(config=config, is_training=True,     input_ids=input_ids, input_mask=input_mask, token_type_ids=token_type_ids)label_embeddings = tf.get_variable(...)#得到最后一层的第一个Token也就是[CLS]向量表示，可以看成是一个句子的embeddingpooled_output = model.get_pooled_output()logits = tf.matmul(pooled_output, label_embeddings)

在 BERT 模型构建这一块的主要流程：

对输入序列进行 Embedding（三个），接下去就是‘Attention is all you need’的内容了
简单一点就是将 embedding 输入 transformer 得到输出结果；
详细一点就是 embedding --> N *【multi-head attention --> Add(Residual) &Norm--> Feed-Forward --> Add(Residual) &Norm】；
哈，是不是很简单~
源码中还有一些其他的辅助函数，不是很难理解，这里就不再啰嗦。

以上~