Transformer 與 BERT 模型

課程概述

Transformer 不是單一模型，而是一組可以依任務重新組合的積木。BERT 採用 Encoder-only 架構，特別適合把一段文字整理成上下文化表徵；生成式模型常見的 Decoder-only，則用因果遮罩逐 Token 往下寫。這堂課會先看共同元件，再用 BERT 當例子，釐清「雙向理解」到底指什麼。

你將學到

• 說明 Transformer 常見的注意力、前饋、殘差與正規化元件
• 解釋 Positional Encoding 如何為模型提供序列位置資訊
• 理解原始 BERT 的 MLM 與 NSP 預訓練任務
• 區分 Encoder-only、Decoder-only 與 Encoder–Decoder 的資料流
• 了解 BERT 如何接上任務輸出層進行微調

核心概念

Transformer 有哪些共同積木？

大多數 Transformer 會先把 Token 轉成向量，再加入或套用位置資訊。每個 Block 裡常見 Multi-Head Attention、逐位置的前饋網路、殘差連接與 Layer Normalization。最後接什麼輸出層要看任務：生成模型可能接詞彙表投影，分類模型可能只取特定位置再接分類器，向量模型則會產生 Embedding。因此「Transformer 一定有六個固定元件」比較像教學口訣，不是每個架構都照同一張圖長。

Positional Encoding 的必要性

單看 Self-Attention，若把 Token 的排列一起換掉，輸出也只會跟著換位置，模型本身不知道誰先誰後。所以需要另外注入位置訊息，才能分辨「我喜歡貓」和「貓喜歡我」。原始 Transformer 使用固定的正弦／餘弦位置編碼；BERT 使用可學習的絕對位置 Embedding；不少較新的 Decoder-only 模型則採用 RoPE，把位置關係作用在 Query、Key 上。各方法能支援的長度與外推特性不同，不能只把名稱換掉就期待上下文自動變長。

BERT 的設計哲學

BERT（Bidirectional Encoder Representations from Transformers）是 Encoder-only 模型。它在建立某個 Token 的表徵時，可以同時使用左右兩邊的內容，適合分類、命名實體辨識、檢索特徵或抽取式問答。這裡的「雙向」指的是注意力可讀取兩側上下文，不代表模型會像人一樣完整理解語意。

BERT 的預訓練策略

原始 BERT 論文用了兩個預訓練任務。**MLM（Masked Language Model）**會挑出約 15% 的 Token 位置做預測，輸入不一定全部直接換成 [MASK]，目的是讓模型利用兩側線索還原內容。**NSP（Next Sentence Prediction）**則判斷第二段是否接在第一段後面。這是原始 BERT 的做法，不代表所有後續 Encoder 模型都保留 NSP；有些研究移除或替換它，仍能得到不錯的結果。細節可回看 BERT 原始論文。

BERT vs GPT 的設計對比

這張表是起點，不是硬性邊界。Decoder-only 模型也能做分類，Encoder-only 模型也能成為生成系統的檢索元件；真正選型時仍要看資料量、延遲、成本與評估結果。

實作重點

• 從 Model Garden 或模型文件確認 BERT 類模型的授權、輸入格式、部署方式與支援狀態
• 實際組出 [CLS]、Token 序列與 [SEP]，觀察 Token、位置與 Segment Embedding 如何相加
• 用同一份資料比較 BERT-base 與 BERT-large，連同延遲和記憶體一起記錄，不只看準確率
• 載入支援的 BERT 實作做文字分類，並把 Attention 圖當分析線索，不直接當成模型解釋

Lab 導讀

Lab 連結：Transformer Models and BERT Model — Google Cloud Skills Boost

這個 Lab 會把前兩課的 Attention 和 Encoder-Decoder 組回完整架構。建議先確認「資訊能看哪裡」：BERT 沒有因果遮罩，因此能同時利用左右文；Decoder-only 有因果遮罩，因此適合下一 Token 預測。只要資料流先看懂，後面的模型名稱就不會全混在一起。

延伸學習

• 注意力機制 — Attention 的詳細數學原理
• 編碼器-解碼器架構 — Encoder-Decoder 的完整說明
• 圖片說明生成模型 — Transformer 在視覺與語言交叉領域的應用