1.基础知识
BERT系列RoBERTa ALBERT ERINE详解与使用学习笔记-腾讯云开发者社区-腾讯云 (tencent.com)
2.BERT
分词：wordpiece
预训练：
mask：选择15%的分词进行mask（80%mask 10%随机替换分词 10%分词保持不变）
NSP：判断前后句子是否连续
3. RoBERTa
Robustly optimized BERT approach
更多的数据
采用动态【MASK】
BERT：对15%的分词进行mask，对于同一文本，在训练过程中mask位置一直保持不变
Roberta：对15%的分词进行mask，对于同一文本，在训练过程中mask的位置会重新挑选
去掉下一句预测的NSP任务
RoBERTa去掉NSP任务
更大的batch_size
BERT的batch_size是256，一共训练了1M步
RoBERTa的batch_size是8k
4. ALBERT
A Lite BERT
大家常说刷榜的ALBERT，其实是xxlarge版本，普通的large版本性能是比BERT的large版本要差的
矩阵分解
通过一个矩阵分解去代替本来的embedding矩阵
参数共享
12层的attention层和全连接层层共享参数
全共享（attention层和全连接层都共享）是比单纯共享attention层的效果要差的，但是全共享d减少的参数实在太多了，所以作者采用的为全共享
SOP代替NSP
将负样本换成了同一篇文章中的两个逆序的句子
n-gram MASK
根据公式取1-gram、2-gram、3-gram的概率分别为6/11，3/11，2/11。越长概率越小
5.ERINE 1.0
Knowledge Integration
把MASK分成三部分
Basic-level Masking：与BERT一样
Entity-level Masking：把实体作为一个整体MASK，例如J.K.Rowling这个词作为一个实体，被一起【MASK】
Phrase-Level Masking：把短语作为一个整体MASK，如a series of作为一个短语整体，被一起【MASK】
Dialogue Language Model（DLM）
增加了对话数据的任务，多轮问答的数据，即可以是QQR、QRQ等等
把里面的单token、实体、短语【MASK】掉，然后预测它们
在生成数据的时，有一定几率用另外的句子替代里面的问题和答案，预测是否是真实的问答对
6.ERINE 2.0
连续多任务学习
策略一，Multi-task Learning，就是让模型同时学这3个任务，具体的让这3个任务的损失函数权重相加，然后一起反向传播
策略二，先训练任务1，再训练任务2，再训练任务3，这种策略的缺点是容易遗忘前面任务的训练结果，如最后训练出的模型容易对任务3过拟合
策略三：连续多任务学习，即第一轮的时候，先训练任务1，但不完全让他收敛训练完，第二轮，一起训练任务1和任务2，同样不让模型收敛完，第三轮，一起训练三个任务，直到模型收敛完
多任务学习，模型输入的时候额外多了一个Task embedding
词法级别
Knowledge Masking Task：把一些字、短语、实体【MASK】掉，预测【MASK】词语。
Capitalization Prediction Task：预测单词是大写还是小写，大写出现在实体识别等，小写可用于其他任务。
Token-Document Relation Prediction Task：在段落A中出现的token，是否在文档的段落B中出现。
语言结构级别
Sentence Reordering Task：把文档中的句子打乱，识别正确顺序。
Sentence Distance Task：分类句子间的距离（0：相连的句子，1：同一文档中不相连的句子，2：两篇文档间的句子）
语句级别
Discourse Relation Task：计算两句间的语义和修辞关系。
IR Relevance Task：短文本信息检索关系，搜索数据（0：搜索并点击，1：搜素并展现，2：无关）
7.ELECTRA
Efficiently Learning an Encoder that Classifies Token Replacements Auucrately
Generator-Discriminator的架构
对一句话里面的token进行随机的【MASK】，然后训练一个生成器，对【MASK】掉的token进行预测，通常生成器不需要很大（原因在后面的实验部分有论证），生成器对【MASK】掉的token预测完后，得到一句新的话，然后输入判别器，判别器判断每个token，是否是原样本的，还是被替换过的。
权重共享
生成器和判别器的embedding参数共享，而且生成器input层和output层的embedding参数共享（想想为什么可以这样？因为生成器最后是一个全词表的分类，所以可以跟输入时embedding矩阵的维度一致，而判别器最后是一个二分类，所以不能共享输入时的embedding矩阵），其他参数不共享
8.XLNET
[1906.08237] XLNet: Generalized Autoregressive Pretraining for Language Understanding (arxiv.org)
PLM
Permutation Language Modeling
XLNet理解_xlnet模型是现有现有的语言模型(language model)中的( )类型-CSDN博客
预训练模型-XLNet - 知乎 (zhihu.com)
XLNet 详解（看不懂你来骂我）-CSDN博客
XLNet的基本做法是：对于输入序列[x1,x2,x3,x4]，假设预测的单词为x3，位置在Position3。怎么在Position1和Position2的位置时看到Position4的信息呢？对序列中的4个单词进行随机排列，得到如图所示的4中示例情况。如果将[x2,x4,x3,x1]、[x1,x4,x2,x3]、[x4,x3,x1,x2]这3种排列作为模型的输入，那么x3就可以同时看到上文和下文的信息
把一部分预测词下文的单词排列在预测词的上文位置中，就同时看到了上文和下文的信息，但是形式上仍然是从左到右预测一个单词
令长度为T的序列为[1,2,...,T]，ZT表示可能的排列序列，zt为第t个元素， z<t 表示排列 z∈ZT 的前 t−1 个元素
Two-Stream Self-Attention
最通俗易懂的XLNET详解-CSDN博客
表示由模型计算得到的上文表示,
是模型的参数,
表示在时间步 t 之前的输入数据，
是输入x的嵌入表示。
h只包含内容，g包含位置
content representation
不包含位置信息，包含上下文和自身的信息
query representation 
包含位置信息，只包含上下文信息，不包含自身的信息
最后我们看下总的计算过程，首先，第一层的查询流是随机初始化了一个向量即，内容流是采用的词向量即
，self-attention的计算过程中两个流的网络权重是共享的，最后在微调阶段，只需要简单的把query stream移除，只采用content stream即可。
集成Transformer-XL
片段循环机制
有一个长度为1000的序列，如果我们设置transformer的最大序列长度是100，那么这个1000长度的序列需要计算十次，并且每一次的计算都没法考虑到每一个段之间的关系，如果采用transformer-xl，首先取第一个段进行计算，然后把得到的结果的隐藏层的值进行缓存，第二个段计算的过程中，把缓存的值拼接起来再进行计算。该机制不但能保留长依赖关系还能加快训练，因为每一个前置片段都保留了下来，不需要再重新计算，在transformer-xl的论文中，经过试验其速度比transformer快了1800倍。
相对位置编码
在BERT等传统的Transformer模型中，位置编码是绝对的，即每个位置都有一个固定的编码，这个编码是基于其绝对位置的。对于序列中的每个单词，绝对位置编码提供了该单词在序列中的唯一标识。
这种编码方式在处理较长的序列时会遇到问题，尤其是在序列被拆分成片段时，因为绝对位置编码无法明确区分不同片段中的相同位置。
相对位置编码解决了绝对位置编码的局限性。它关注的是位置之间的相对关系而不是绝对位置。这使得模型能够更好地处理长序列和片段。
在Transformer-XL等模型中，引入了相对位置编码来捕捉序列中元素之间的相对距离，这样即使序列被拆分成多个片段，模型仍然能够保持对相对位置的感知。
-
位置编码的计算:
- 给定两个位置 i 和 j，相对位置编码被表示为 sij。
- 如果 i 和 j 属于同一个片段，则相对位置编码为 sij=s+。
- 如果 i 和 j 不在同一个片段里，则相对位置编码为 sij=s−，其中 s+ 和 s− 是在训练过程中学习得到的编码。
-
计算注意力权重:
-
在传统的Transformer中，注意力权重的计算公式是：
其中 Q 是查询矩阵，K是键矩阵，V 是值矩阵，d是嵌入维度。
-
引入相对位置编码后，计算方式有所调整。首先计算相对位置编码与查询向量的内积：
其中 qi 是位置 i 的查询向量，b是一个需要训练的偏置量，Ssj 是相对位置编码。
-
然后，将相对位置编码计算结果 aij与传统注意力权重的计算结果相加，得到最终的注意力权重。
-
xlnet:XLNet: Generalized Autoregressive Pretraining for Language Understanding - GitCode
