如何还原BERT/XLNet嵌入？

Question

我最近一直在尝试堆叠语言模型，并注意到一些有趣的事情: BERT和XLNet的输出嵌入与输入嵌入不同。例如，下面的代码片段：

bert = transformers.BertForMaskedLM.from_pretrained("bert-base-cased")
tok = transformers.BertTokenizer.from_pretrained("bert-base-cased")

sent = torch.tensor(tok.encode("I went to the store the other day, it was very rewarding."))
enc = bert.get_input_embeddings()(sent)
dec = bert.get_output_embeddings()(enc)

print(tok.decode(dec.softmax(-1).argmax(-1)))

为我输出以下内容：

,,,,,,,,,,,,,,,,,

我本来希望返回(格式化的)输入序列，因为我的印象是输入和输出标记嵌入是绑定的。

有趣的是，大多数其他模型都没有表现出这种行为。例如，如果您在GPT2、Albert或Roberta上运行相同的代码片段，它将输出输入序列。

这是一个bug吗？或者这是BERT/XLNet所期望的？

Answer 1

我不确定是否太晚了，但我已经用你的代码做了一点实验，它可以被还原。:)

bert = transformers.BertForMaskedLM.from_pretrained("bert-base-cased")
tok = transformers.BertTokenizer.from_pretrained("bert-base-cased")

sent = torch.tensor(tok.encode("I went to the store the other day, it was very rewarding."))
print("Initial sentence:", sent)
enc = bert.get_input_embeddings()(sent)
dec = bert.get_output_embeddings()(enc)

print("Decoded sentence:", tok.decode(dec.softmax(0).argmax(1)))

为此，您将获得以下输出：

Initial sentence: tensor([  101,   146,  1355,  1106,  1103,  2984,  1103,  1168,  1285,   117,
         1122,  1108,  1304, 10703,  1158,   119,   102])  
Decoded sentence: [CLS] I went to the store the other day, it was very rewarding. [SEP]