BERT是基于transformer结构的预训练模型。具体bert原理介绍，请参考博客：Bert系列解读及改进_&永恒的星河&的博客-CSDN博客_bert系列
求解Bert模型的参数量是面试常考的问题，也是作为算法工程师必须会的一个点。所谓会用并不代表熟悉。今天以BERT BASE模型为例子，计算其参数量。开始正题：
在BERT BASE中：
- 词表的大小是(word list)：30522
- Encoder层个数是(layer)：12
- 词向量的大小(vocab dim)：768
- 文本最大长度(seq length)：512
- 头个数(multi head attention)：12
- Feed Forward的两层全链接层神经元个数分别是：3702, 768
BERT 的Encoder结构
BERT中Encoder包括: Embedding层，Multi-Head Attention 层，Feed-Forward Network层，LayerNorm层参数。
1. Embedding层
该层包括三种Embedding，具体是Token Embedding, Segment Embedding, Position Embedding
Token Embedding 层参数: 30522 * 768
Segment Embedding层参数：2 * 768
Position Embedding层参数：512 * 768
因此总的参数量为：（30522 + 512 +2）* 768 = 23835648 = 22.7 M
2. Multi-Head Attention层
该层主要是由Q、K、V三个矩阵运算组成，BERT模型中是Multi-head多头的Self-attention(记为SA)机制。先通过Q和K矩阵运算并通过softmax变换得到对应的权重矩阵，然后将权重矩阵与 V矩阵相乘，最后将12个头得到的结果进行concat，得到最终的SA层输出。
又因为BERT模型中包含12个Transformer Encoder层，因此改层的参数总量为：[768 * (768/12) * 3 * 12 + 768 * 768 ] * 12 = 28311552 = 27M
3. LayerNorm层
LayerNorm层主要有weight和bias两个参数。而LN层在Embedding层、Self-attention层、Feed-Forward Network层三个层都有用到，因此LN层的参数总量为：768 * 2 + （768 * 2）* 12 + （768 * 2）* 12 = 38400 = 37.5KB
4. Feed-Forward Network层
前馈网络FFN主要由两个全连接层组成，且W1和W2的形状分别是(768,3072)，(3072,768)，层数为12，因此该层的参数量为：
（768 * 3072 + 3072 * 768）* 12 = 56623104 = 54M
将上面的计算结果加起来，那么BERT模型的参数总量为：23835648 + 28311552 + 56623104 + 38400 = 108808704 ≈ 104M。
Embedding层约占参数总量的20%，Transformer层约占参数总量的80%。
