预训练鼻祖阶段：目前认为是Bert时期
从字面上看，预训练模型（pre-training model）是先通过一批语料进行训练模型，然后在这个初步训练好的模型基础上，再继续训练或者另作他用。这样的理解基本上是对的，预训练模型的训练和使用分别对应两个阶段：预训练阶段（pre-training）和 微调（fune-tuning）阶段。
预训练阶段一般会在超大规模的语料上，采用无监督（unsupervised）或者弱监督（weak-supervised）的方式训练模型，期望模型能够获得语言相关的知识，比如句法，语法知识等等。经过超大规模语料的"洗礼"，预训练模型往往会是一个Super模型，一方面体现在它具备足够多的语言知识，一方面是因为它的参数规模很大。
微调阶段是利用预训练好的模型，去定制化地训练某些任务，使得预训练模型"更懂"这个任务。例如，利用预训练好的模型继续训练文本分类任务，将会获得比较好的一个分类结果，直观地想，预训练模型已经懂得了语言的知识，在这些知识基础上去学习文本分类任务将会事半功倍。利用预训练模型去微调的一些任务(例如前述文本分类)被称为下游任务（down-stream）。
以BERT为例，BERT是在海量数据中进行训练的，预训练阶段包含两个任务：MLM（Masked Language Model）和NSP (Next Sentence Prediction)。前者类似"完形填空"(Cloze)，在一句中扣出一个单词，然后利用这句话的其他单词去预测被扣出的这个单词；后者是给定两句话，判断这两句话在原文中是否是相邻的关系。
BERT预训练完成之后，后边可以接入多种类型的下游任务，例如文本分类，序列标注，阅读理解等等，通过在这些任务上进行微调，可以获得比较好的实验结果。
MLM和NSP看了下面两篇博客基本是能够理解大概原理了
Bert预训练-CSDN博客
https://blog.csdn.net/KK_1657654189/article/details/122204640
这篇博客图文并茂~⭐⭐⭐⭐⭐
BERT预训练的任务MLM和NSP - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/562352255
这篇博客讲得简洁~ ⭐⭐⭐
总结：
预测遮挡单词**（MLM）** 是一个多分类 问题
预测下一个句子**（NSP）** 是一个二分类 问题
合并任务 的目标函数就是两个任务 的目标函数之和
采用梯度下降方法更新合并任务模型参数
一张图整明白 MLM与NSP //我自己整理的版本，知识的搬运工，hh
① 一张图明白MLM（本质多分类问题）
具体过程：
假如现在我们遮挡住了cat这个单词
那么我们会用mask标记这个被遮挡的单词，紧接着它就会被embedding层标记为Xm向量，输出记为Um向量，我们知道，Transformer的映射是多对一，所以Um向量会依赖所有的X向量，也就是说它会知道整句话的内容，那么就可以用它来预测被遮挡的单词是什么，将这个Um作为特征向量送入softmax分类器输出一个概率分布p，根据这个p值来判断被遮挡的词是什么。
这里，我们的希望的p值是越接近mask的one-hot编码越好
我们将被遮挡单词的ont-hot向量记为e，将CrossEntropy(e,p)作为损失函数，用反向传播算出损失函数关于模型的梯度，然后作梯度下降来更新模型参数，bert预训练不需要人工标注数据，它用被遮挡的单词作为标签，可以自动生成标签，这样训练数据就可以想要多少就有多少，从而训练出一个很大的模型。
② 一张图明白NSP（本质二分类问题）
一个样本的两个句子用SEP隔开，第一个句子的句首加上CLS，第二个句子的句尾加上SEP。
样本一：CLS the man went to MASK store SEP he bought a gallon MASK milk SEP，
标签：IsNext。
样本二：CLS the man MASK to the store SEP penguin MASK are flight ##less birds SEP，
标签：NotNext。
向量C虽然在CLS的位置上，但它包含的是输入的两句话的全部信息，把C作为特征向量输入分类器Binary，得到一个介于0-1之间的值f，其中，1是代表两句话true，0代表两句话毫无关联，依旧用将CrossEntropy(e,f)作为损失函数，用反向传播算出损失函数关于模型的梯度，然后作梯度下降来更新模型参数。
这样作预训练是因为：
相邻的两句话通常有关联，这样作二分类可以强化这种关联，让embedding层包含这种关联，而且encoder层中的self-attention层的作用恰好就是找相关性
bert将上述所讲的这两种任务结合起来训练Transformer，假如有两个单词被遮挡，就需要三个任务，也就是说三个损失函数，第一个损失函数是二分类（判断标签是true还是false），第二三个损失函数就是预测这两个单词，目标函数就是三个损失函数的加和，用反向传播算出损失函数关于模型的梯度，然后作梯度下降来更新模型参数
Reference //这些链接最多花1h...，值得值得
语言模型BERT理解_bert语义理解_AI 菌的博客-CSDN博客