动手学深度学习：用 WikiText-2 构建 BERT 预训练数据集（MLM 与 NSP 全流程解析）

• 人工智能
• 深度学习
• 机器学习
• 教程

在《动手学深度学习》（d2l-zh）中，BERT 的预训练依赖两个核心任务——遮蔽语言模型（Masked Language Modeling, MLM）与下一句预测（Next Sentence Prediction, NSP）。本篇文章聚焦该仓库 chapter_natural-language-processing-pretraining/bert-dataset_origin.md 所讲解的数据集构建方法：如何把 WikiText-2 语料逐层转换为可直接喂给 BERT 的预训练样本，包括语料读取、NSP/MLM 样本生成、定长填充与Dataset封装。读完本文，你将掌握从原始文本到 BERT 预训练数据管线的每一步实现，并能在自定义语料上复现同样的预处理流程。

为什么要自建 BERT 预训练数据集

原始 BERT 模型在 BookCorpus 与英语维基百科两个超大语料库的拼接集上预训练，对大多数学习者而言，直接复现这一过程成本过高、难以运行。另一方面，市面上现成的预训练 BERT 模型未必适合医学等特定领域的应用场景。因此，在定制数据集上预训练 BERT 正变得越来越流行。为了便于演示 BERT 预训练，本书选用体积更小的 WikiText-2 语料库。

与之前用于预训练 word2vec 的 PTB 数据集（见 chapter_natural-language-processing-pretraining/word-embedding-dataset_origin.md）相比，WikiText-2 有三个显著特点：

1. 保留原始标点符号，使其适合下一句预测任务；
2. 保留原始大小写和数字；
3. 规模是 PTB 的两倍以上。

这些特性让 WikiText-2 成为兼顾演示成本与任务真实性的理想选择。

WikiText-2 语料的下载与读取

仓库通过d2l.DATA_HUB注册数据集下载条目，并附带 SHA-1 校验值，保证下载文件的完整性：

#@save d2l.DATA_HUB['wikitext-2'] = ( 'https://s3.amazonaws.com/research.metamind.io/wikitext/' 'wikitext-2-v1.zip', '3c914d17d80b1459be871a5039ac23e752a53cbe')

从源码看，download会先检查本地缓存，若文件已存在则计算其 SHA-1 并与注册值比对，命中缓存则直接复用，否则才发起下载（见 d2l/torch.py）；download_extract随后将 zip/tar 包解压并返回数据目录（见 d2l/torch.py）。

在 WikiText-2 中，每一行代表一个段落，且任意标点符号与其前面的词元之间都插入了空格。数据读取函数_read_wiki做三件事：读取wiki.train.tokens文件、把所有大写字母转为小写、仅保留至少包含两个句子的段落，并按' . '切分句子、最后随机打乱段落顺序：

#@save def _read_wiki(data_dir): file_name = os.path.join(data_dir, 'wiki.train.tokens') with open(file_name, 'r') as f: lines = f.readlines() # 大写字母转换为小写字母 paragraphs = [line.strip().lower().split(' . ') for line in lines if len(line.split(' . ')) >= 2] random.shuffle(paragraphs) return paragraphs

这里为了简单起见，仅以句号作为拆分句子的唯一分隔符；更复杂的句子拆分技术（如 spaCy、NLTK）留待文末练习探讨。函数的返回结构是"段落 → 句子 → 词元"的三重嵌套列表。

为预训练任务定义辅助函数

接下来为 BERT 的两个预训练任务实现辅助函数，它们将在把原始文本语料转换为理想格式数据集时被依次调用。

生成下一句预测（NSP）任务样本

_get_next_sentence为二分类任务生成一个训练样本：以 50% 概率保留真实的下一句（is_next = True），另外 50% 概率从整个语料库中随机抽取一句替换掉下一句（is_next = False）：

#@tab all #@save def _get_next_sentence(sentence, next_sentence, paragraphs): if random.random() < 0.5: is_next = True else: # paragraphs 是三重列表的嵌套 next_sentence = random.choice(random.choice(paragraphs)) is_next = False return sentence, next_sentence, is_next

_get_nsp_data_from_paragraph则遍历段落中相邻的句子对，调用上述函数生成 NSP 样本。这里max_len指定预训练期间 BERT 输入序列的最大长度。由于 BERT 输入序列需要包含1 个<cls>词元和 2 个<sep>词元，因此当两个句子长度之和加 3 超过max_len时，该样本被丢弃：

#@tab all #@save def _get_nsp_data_from_paragraph(paragraph, paragraphs, vocab, max_len): nsp_data_from_paragraph = [] for i in range(len(paragraph) - 1): tokens_a, tokens_b, is_next = _get_next_sentence( paragraph[i], paragraph[i + 1], paragraphs) # 考虑 1 个 '<cls>' 词元和 2 个 '<sep>' 词元 if len(tokens_a) + len(tokens_b) + 3 > max_len: continue tokens, segments = d2l.get_tokens_and_segments(tokens_a, tokens_b) nsp_data_from_paragraph.append((tokens, segments, is_next)) return nsp_data_from_paragraph

其中d2l.get_tokens_and_segments负责把两个句子拼装成 BERT 输入格式：句子 A 前加<cls>、两句子间与末尾各加<sep>，同时返回片段（segment）索引——片段 A 标记为 0、片段 B 标记为 1（实现见 d2l/torch.py）。这段逻辑正是 img/bert-input.svg 所展示的 BERT 输入表示中 token 与 segment 部分的来源。

生成遮蔽语言模型（MLM）任务样本

MLM 任务按 BERT 原文设定，随机选择15%的词元进行预测。_replace_mlm_tokens在每个预测位置上执行三选一策略：

• 80% 的概率：将该词替换为特殊的<mask>词元；
• 10% 的概率：保持该词不变；
• 10% 的概率：用词表中的随机词替换该词。

#@tab all #@save def _replace_mlm_tokens(tokens, candidate_pred_positions, num_mlm_preds, vocab): # 为遮蔽语言模型的输入创建新的词元副本， # 其中输入可能包含替换的 '<mask>' 或随机词元 mlm_input_tokens = [token for token in tokens] pred_positions_and_labels = [] # 打乱后用于在遮蔽语言模型任务中获取 15% 的随机词元进行预测 random.shuffle(candidate_pred_positions) for mlm_pred_position in candidate_pred_positions: if len(pred_positions_and_labels) >= num_mlm_preds: break masked_token = None # 80% 的时间：将词替换为 '<mask>' 词元 if random.random() < 0.8: masked_token = '<mask>' else: # 10% 的时间：保持词不变 if random.random() < 0.5: masked_token = tokens[mlm_pred_position] # 10% 的时间：用随机词替换该词 else: masked_token = random.choice(vocab.idx_to_token) mlm_input_tokens[mlm_pred_position] = masked_token pred_positions_and_labels.append( (mlm_pred_position, tokens[mlm_pred_position])) return mlm_input_tokens, pred_positions_and_labels

注意，这里对candidate_pred_positions先做random.shuffle再逐个填充，直到达到num_mlm_preds个预测位置为止，从而保证预测位置在序列中随机分布。

_get_mlm_data_from_tokens把上述逻辑封装成完整的数据变换：先遍历输入词元，排除<cls>、<sep>等特殊词元（特殊词元在 MLM 任务中不被预测），得到候选预测位置集合；再按max(1, round(len(tokens) * 0.15))确定预测数量；最后调用_replace_mlm_tokens，并按位置排序后分别返回预测位置与标签的索引：

#@tab all #@save def _get_mlm_data_from_tokens(tokens, vocab): candidate_pred_positions = [] # tokens 是一个字符串列表 for i, token in enumerate(tokens): # 在遮蔽语言模型任务中不会预测特殊词元 if token in ['<cls>', '<sep>']: continue candidate_pred_positions.append(i) # 遮蔽语言模型任务中预测 15% 的随机词元 num_mlm_preds = max(1, round(len(tokens) * 0.15)) mlm_input_tokens, pred_positions_and_labels = _replace_mlm_tokens( tokens, candidate_pred_positions, num_mlm_preds, vocab) pred_positions_and_labels = sorted(pred_positions_and_labels, key=lambda x: x[0]) pred_positions = [v[0] for v in pred_positions_and_labels] mlm_pred_labels = [v[1] for v in pred_positions_and_labels] return vocab[mlm_input_tokens], pred_positions, vocab[mlm_pred_labels]

vocab[...]利用了词表对象的索引能力，把词元字符串批量映射为整数索引。

将文本转换为预训练数据集

在定制Dataset类之前，还需要一个_pad_bert_inputs辅助函数，把所有样本补齐到统一的max_len，以满足批处理要求。其核心要点包括：

• 用<pad>词元补齐token_ids，用 0 补齐segments；
• valid_lens记录不含<pad>的真实长度；
• 预测位置不足max_num_mlm_preds（即round(max_len * 0.15)）时用 0 填充；
• mlm_weights用1.0/0.0标记真实预测位置与填充位置——填充位置的预测会在损失计算时通过乘以 0 权重被过滤掉；
• NSP 标签直接追加。

PyTorch 实现如下（MXNet 版本用np.array(..., dtype='int32')，PaddlePaddle 版本用paddle.to_tensor(..., dtype=paddle.int64)，三者逻辑完全一致）：

#@save def _pad_bert_inputs(examples, max_len, vocab): max_num_mlm_preds = round(max_len * 0.15) all_token_ids, all_segments, valid_lens, = [], [], [] all_pred_positions, all_mlm_weights, all_mlm_labels = [], [], [] nsp_labels = [] for (token_ids, pred_positions, mlm_pred_label_ids, segments, is_next) in examples: all_token_ids.append(torch.tensor(token_ids + [vocab['<pad>']] * ( max_len - len(token_ids)), dtype=torch.long)) all_segments.append(torch.tensor(segments + [0] * ( max_len - len(segments)), dtype=torch.long)) # valid_lens 不包括 '<pad>' 的计数 valid_lens.append(torch.tensor(len(token_ids), dtype=torch.float32)) all_pred_positions.append(torch.tensor(pred_positions + [0] * ( max_num_mlm_preds - len(pred_positions)), dtype=torch.long)) # 填充词元的预测将通过乘以 0 权重在损失中过滤掉 all_mlm_weights.append( torch.tensor([1.0] * len(mlm_pred_label_ids) + [0.0] * ( max_num_mlm_preds - len(pred_positions)), dtype=torch.float32)) all_mlm_labels.append(torch.tensor(mlm_pred_label_ids + [0] * ( max_num_mlm_preds - len(mlm_pred_label_ids)), dtype=torch.long)) nsp_labels.append(torch.tensor(is_next, dtype=torch.long)) return (all_token_ids, all_segments, valid_lens, all_pred_positions, all_mlm_weights, all_mlm_labels, nsp_labels)

定制_WikiTextDataset数据集类

把两个预训练任务的样本生成函数与填充函数组合起来，得到_WikiTextDataset类。其构造函数分四步完成从语料到样本的转换：

1. 词元化：用d2l.tokenize(paragraph, token='word')把段落字符串切分为词元列表（tokenize的 word 模式即按空白分词，见 d2l/torch.py）；
2. 构建词表：用d2l.Vocab统计全部句子，设置min_freq=5过滤掉出现次数少于 5 次的低频词元，并预留<pad>、<mask>、<cls>、<sep>四个特殊词元。词表按出现频率降序排列，<unk>占据索引 0（见 d2l/torch.py）；
3. 生成样本：先为每个段落生成 NSP 样本，再对每个样本调用_get_mlm_data_from_tokens附加 MLM 预测位置与标签；
4. 定长填充：调用_pad_bert_inputs把所有字段转换为等长张量。

通过实现__getitem__，可以按索引任意访问从 WikiText-2 语料库中一对句子生成的预训练样本：

#@save class _WikiTextDataset(torch.utils.data.Dataset): def __init__(self, paragraphs, max_len): # 输入 paragraphs[i] 是代表段落的句子字符串列表； # 而输出 paragraphs[i] 是代表段落的句子列表，其中每个句子都是词元列表 paragraphs = [d2l.tokenize( paragraph, token='word') for paragraph in paragraphs] sentences = [sentence for paragraph in paragraphs for sentence in paragraph] self.vocab = d2l.Vocab(sentences, min_freq=5, reserved_tokens=[ '<pad>', '<mask>', '<cls>', '<sep>']) # 获取下一句预测任务的数据 examples = [] for paragraph in paragraphs: examples.extend(_get_nsp_data_from_paragraph( paragraph, paragraphs, self.vocab, max_len)) # 获取遮蔽语言模型任务的数据 examples = [(_get_mlm_data_from_tokens(tokens, self.vocab) + (segments, is_next)) for tokens, segments, is_next in examples] # 填充输入 (self.all_token_ids, self.all_segments, self.valid_lens, self.all_pred_positions, self.all_mlm_weights, self.all_mlm_labels, self.nsp_labels) = _pad_bert_inputs( examples, max_len, self.vocab) def __getitem__(self, idx): return (self.all_token_ids[idx], self.all_segments[idx], self.valid_lens[idx], self.all_pred_positions[idx], self.all_mlm_weights[idx], self.all_mlm_labels[idx], self.nsp_labels[idx]) def __len__(self): return len(self.all_token_ids)

需要说明的是，原始的 BERT 模型使用词表大小为 30000 的 WordPiece 嵌入，其词元化方法是对原始字节对编码（BPE）算法的轻微修改。为简化演示，本书直接使用d2l.tokenize进行按词分词，并用min_freq=5过滤低频词元。另外，同一实现也以gluon.data.Dataset（MXNet）与paddle.io.Dataset（PaddlePaddle）形式存在于仓库的 d2l/mxnet.py 与 d2l/paddle.py 中。

加载函数load_data_wiki

将_read_wiki与_WikiTextDataset组合，即得到统一的加载入口：下载并解压 WikiText-2，读取段落，构建数据集，再用DataLoader封装为可迭代的训练批次，同时返回词表供后续模型使用：

#@save def load_data_wiki(batch_size, max_len): """加载 WikiText-2 数据集""" num_workers = d2l.get_dataloader_workers() data_dir = d2l.download_extract('wikitext-2', 'wikitext-2') paragraphs = _read_wiki(data_dir) train_set = _WikiTextDataset(paragraphs, max_len) train_iter = torch.utils.data.DataLoader(train_set, batch_size, shuffle=True, num_workers=num_workers) return train_iter, train_set.vocab

其中d2l.get_dataloader_workers()在源码中固定返回 4，表示用 4 个进程并行读取数据（见 d2l/torch.py）。该函数也是 chapter_natural-language-processing-pretraining/bert-pretraining.md 中正式启动 BERT 预训练时调用的数据入口。

加载并检查预训练样本的形状

将批量大小设为 512、BERT 输入序列的最大长度设为 64，即可加载数据并打印一个小批量的样本形状：

batch_size, max_len = 512, 64 train_iter, vocab = load_data_wiki(batch_size, max_len) for (tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X, mlm_Y, nsp_y) in train_iter: print(tokens_X.shape, segments_X.shape, valid_lens_x.shape, pred_positions_X.shape, mlm_weights_X.shape, mlm_Y.shape, nsp_y.shape) break

输出结果中，tokens_X、segments_X形状为(512, 64)，valid_lens_x为(512,)；由于每个 BERT 输入序列中为 MLM 任务预测的位置数是64 × 0.15 = 10，因此pred_positions_X、mlm_weights_X、mlm_Y的形状均为(512, 10)，而nsp_y为(512,)。

最后查看词表大小。即使在过滤掉低频词元之后，WikiText-2 的词表规模仍然比 PTB 数据集大两倍以上：

len(vocab)

小结

• 与 PTB 数据集相比，WikiText-2 保留了原始标点、大小写和数字，且规模大两倍以上；
• 通过_WikiTextDataset与load_data_wiki，可以任意访问从 WikiText-2 语料库中的句子对生成的预训练样本（遮蔽语言模型 + 下一句预测），并直接喂给后续的 BERT 预训练流程。

练习：进一步探索

1. 为简单起见，句号被用作拆分句子的唯一分隔符。尝试其他句子拆分技术，例如 spaCy 与 NLTK。以 NLTK 为例：先安装pip install nltk，在代码中import nltk，再下载 Punkt 语句词元分析器nltk.download('punkt')。对句子sentences = 'This is great ! Why not ?'调用nltk.tokenize.sent_tokenize(sentences)，会返回两个句子的字符串列表：['This is great !', 'Why not ?']。
2. 思考：如果不过滤任何低频词元，词表规模会有多大？这会对 MLM 任务的随机替换策略和模型参数量带来什么影响？

附：本数据管线的源码依据

本文所有代码与逻辑均可在该仓库中逐一核对：

• 数据注册与下载/解压：d2l.DATA_HUB['wikitext-2']与download/download_extract（d2l/torch.py，mxnet/paddle 版本位于 d2l/mxnet.py 与 d2l/paddle.py）；
• 词元化与词表构建：d2l.tokenize、d2l.Vocab（d2l/torch.py）；
• 输入序列拼装：d2l.get_tokens_and_segments（d2l/torch.py）；
• 数据加载进程数：d2l.get_dataloader_workers（d2l/torch.py）；
• 下游使用：BERT 预训练正文 chapter_natural-language-processing-pretraining/bert-pretraining.md 通过load_data_wiki(batch_size, max_len)接入本数据集。

• 人工智能
• 深度学习
• 机器学习
• 教程