区别1：网络结构（主要是Masked Multi-Head-Attention和Multi-Head-Attention）
gpt1使用transformer的decoder，单向编码，是一种基于语言模型的生成式模型，更适合生成下一个单词或句子
bert使用transformer的encoder，双向编码，适合处理需要理解整个句子或段落的任务。可以用于许多NLP任务，如分类、命名实体识别和句子关系判断等
区别2：预训练任务（主要是Masking Input）
有一个句子是台湾大学,GPT选取BOS这个起始Token，所对应的输出embedding，用h来表示。然后通过一个Linear Transform,再通过一个softmax,得到一个概率分布,我们希望这个输出的概率分布,跟正确答案的交叉熵越小越好。
在Bert的预训练任务中，Bert主要使用"填空题"的方式来完成预训练，当我们输入一个句子时，其中的一些词会被随机mask。可以用一个one-hot vector来表示这个字符，并使输出和one-hot vector之间的交叉熵损失最小。
