ghost
commented
3 years ago 关于您的第二个问题：
- 我们的模型参考了 BERT模型用来做问答任务的代码 (https://github.com/google-research/bert/blob/eedf5716ce1268e56f0a50264a88cafad334ac61/run_squad.py#L395)。
- input_mask和input_tokens (input_tokens = [cls]+
+[sep]+ + [sep]) 是长度相等，并且一一对应的。非[PAD] token对应的input_mask应该是1，[PAD]对应的input_mask应该为0。 input_mask输入到BERT模型中对应的变量是attention_mask，attention_mask 为1代表了self-attention希望看到的位置。 - 对MRC这个任务，query和context之间也是存在attention的，因此query tokens和context tokens对应的input_mask都是1。 query和context的区分通过BERT模型中的token_type_ids来实现：token_type_ids==0，说明当前位置的token 是query的一部分；token_type_ids==1，说明当前位置的token是context的一部分。
感谢！
您好，关于模型中对于BERT的input和output的处理，有两个问题想请教： (1) 关于output部分，在/model/bert_mrc.py中，在https://github.com/ShannonAI/mrc-for-flat-nested-ner/blob/master/model/bert_mrc.py#L50这一行代码中，sequence_output即BERT编码层的完整序列输出，即包括了query部分的token，后续的计算中似乎也没有舍弃掉query部分的token，这与您在论文中表述“we simply drop the query representations”似乎有所不符，请问可以解释一下吗？ (2) 关于input部分，在/data_loader/mrc_utils.py中，在https://github.com/ShannonAI/mrc-for-flat-nested-ner/blob/master/data_loader/mrc_utils.py#L200这一行代码中，input_mask = [1] * len(input_tokens)，即对整个完整序列的mask都置为1，也就是包括query、context和分隔符，这里全部都是没有mask掉的，可以这样理解吗？那这样处理对于BERT在这个任务上的表现会有影响吗？
期待您的回复！