241124_基于MindSpore学习Prompt Tuning
传统的NLP训练模式都是先在大量的无标注的样本上进行预训练，然后再使用有标注的样本进行有监督的训练，调整单一的线性成果而不是整个模型。
但在实际训练中发现，如果模型参数过大，在Fine Tune阶段成本较高。就是每次都要在一个参数很大的模型上进行微调。
于是产生了NLP的第四范式：不做Fine Tune，模型无监督训练好了就不改变了，而是给一些prompt
比如我要做一个情感分类，就先告诉他这是一个情感分类任务，然后再给具体任务
bert就是使用pre train和fine tune的模型，实现的目标是做类似于完形填空的任务和上下文联系任务
fine-tuning：通过改变模型结构，使模型适配下游任务
prompt learing：模型结构不变，通过重构任务描述，使下游任务适配模型
Prompt-Tuning步骤：
使用一个情感分类任务举例
构建模板：这一步是做完形填空的过程，比如I love this movies,拼接到原始文本中，获得Prompt-Tuning的输入：[I love this movies. overall, it was a [mask] movie]。这一步给模型模型就需要去填这个mask 的答案，模型会填进去很多可能的答案，每个答案对应一个分数，分数最高的是最后的答案。
标签词映射：在模型给出答案之后，比如模型给了个greet，因为我们是个情感分类任务，想要得到的结果只是两种，我们就要建立greet到positive的映射。如果是terrible，则认为是negative类。
Prompting中最主要的两个部分是template与verbalizer的设计
template可以基于任务类型和预训练模型选择（shape）或生成方式(huamn effort)进行分类
打卡截图：
