预训练-BERT
传统方法与预训练方法的比较
思想解读： 预训练的概念就和我们人读书和工作一样；先是通过基础教育到大学毕业，学习了通用的基础知识，这个做大多数工作，我们都能够快速学习和上手。模型预训练同样如此；避免了每一个下游任务都从零开始训练模型
由于语言模型不需要特别的标注数据，所以非常适合做预训练的目标。
预训练方式 --BERT
Mask Language Model （MLM）
训练任务
1.完型填空
Bidirectional Language Model
a.依照一定概率，用[mask]掩盖文本中的某个字或词
b.通过遮住词两侧的内容，去预测被遮住的词
2.句子关系预测
Next Sentence Prediction
[CLS] 师徒四人历经艰险[SEP] 取得真经[SEP] -> True
[CLS] 师徒四人历经艰险[SEP] 火烧赤壁[SEP] -> False
释义: 通过上下两句话，去训练模型去判断是否为上下句子关系，即一个二分类任务。但是目前大家普遍不太使用该训练任务，因为这个规律模型比较容易学习到。
模型结构
BERT主要包含两个部分，第一部分是embedding层，以及在embedding层后面的网络结构。
与word2vec对比
区别：word2vec是静态的，而BERT是动态的；在相同的文本输入后，word2vec输出的向量是固定的，BERT通过embedding后，还需进行后续网络层的计算，那么就能抓住输入的字与字、词与词；即token之间的关系。并能够进行计算输出。
BERT结构-Embedding
释义图：
释义：
BERT结构-Encoder
介绍： BERT的模型主体结构使用Google自己在17年提出的Transformer结构。
如下图：
详细释义：
BERT结构-self-attention
示意图：
其中Z的计算公式：
释义：
1.我们先来梳理矩阵计算的情况
2.Q*K.T和softmax的理解
Q*K.T即：World_Length * World_Length；这个World_Length就是我们输入的文本长度。
所以我们展开可有下面示意图：
注意： 矩阵中的数据，是不是就代表着，这个词与该句子中其他词的关系紧密程度呢。所以这行数据，就是这个字对这句话的注意力。
softmax作用： 就是归一化操作，即将字与句子中其他词的关系程度之和，归一化到1的区间中来。
3.根号下dk的理解
我们在前面说，Q、K、V是通过输入x和对应的线下层相乘得到的；其形状为：World_Length* Vector_Size；
重点关注
1.在进行后续Q、K.T相乘 和乘V的步骤之间，是对Q K V进行拆分的；
2.比如：基础版本BERT的Vector_size为768；这里拆分成12部分，即多头数量为12,；那么每一个Q的形状：World_Length * 64
3.上面拆分后，V也会同样拆分，分别进行计算，最后合并在一起得到：World_Length* Vector_Size
4.最后合并的矩阵再进行 除于根号dk；再归一化的操作：
示意图：
注意、总结： 在多个Q * K.T中，不管Q、K的Vector_Size 拆分成多少份，即有多少个多头计算；但是在这里计算的结果都是：World_Length * World_Length ；我们上面说了，就是词与句子中其他词的关系紧密程度。
注意核心理解比喻： 这里的多头，造成有多个World_Length * World_Length的结果，其实就是模型在不同维度，去找句子中词与词之间的关系。多头1找的是名称关系紧密程度、多头2找的是动词的关系紧密程度…
dk的值： 在基础版本的BERT中，dk是64，这个值是词向量维度：768与多头数量12的商。
dk作用： 因为softmax是将多个值的和归一化为1；根据softmax的函数特性，会出现在进行归一化的数中，有的比较大，归一化后就接近1；而小的数，就接近零了；这样对于模型的计算不好，这种接近零的值要尽量避免；所以先除于dk；使得值的差距被缩放；再进行归一化。
