目录
[Self-supervised Learning简介：](#Self-supervised Learning简介：)
[BERT :](#BERT :)
[How to use BERT](#How to use BERT)
[case1：sequence to class 语言积极性OR消极性判断](#case1：sequence to class 语言积极性OR消极性判断)
[case2：sequence to sequence句子中的词语词性标注](#case2：sequence to sequence句子中的词语词性标注)
[case3：sequence×2 to class两个句子是不是一个为前提一个为假设](#case3：sequence×2 to class两个句子是不是一个为前提一个为假设)
case4：QA问题（要求答案一定会出现在原文里）输出的数字是答案在原文的起始和结尾位置
[Why does BERT work?](#Why does BERT work?)
Self-supervised Learning简介：
supervised Learning为输入一个x经过Model之后输出成一个y，然后根据label里的正确y进行比较，但是如果没有label怎么办？
Self-supervised Learning可以把输入文件中的x转换为x1x2，用x1作为输入用x2作为label。所以Self-supervised Learning中没有label，可以看成Unsupervised Learning。
BERT :
BERT是一个Transformer Encoder 输入输出是一个等长的向量。训练的时候是在做填空题的时候，随机盖住一个字softmax之后的输出来判别这个盖住的字是所有汉字中的哪一个（把所有的每一个汉字看成一个class）？然后和truth进行比较。
训练的时候也做了接收一对句子，并判断第二个句子是否是第一个句子的自然延续。
这个任务有助于模型理解句子之间的关系。
它可以解决SOP问题，即判断两句话的语序是否为颠倒。
BERT功能强大，在进行pre训练之后，进行微调就可以用到多种场景
GLUE（General Language Understanding Evaluation）一般语言理解评估，评估一般模型的能力。包括九个任务。BERT在NLP领域比较适用。
How to use BERT
case1：sequence to class 语言积极性OR消极性判断
在Linear的时候，采用随机初始化的参数，在BERT的仍要提供一些标注的资料，利用填空训练出来的模型比随机初始化参数的模型LOSS下降的更快，且最后的LOSS数值更小。
case2：sequence to sequence句子中的词语词性标注
BERT的参数不是随机初始化的
case3：sequence×2 to class两个句子是不是一个为前提一个为假设
case4：QA问题（要求答案一定会出现在原文里）输出的数字是答案在原文的起始和结尾位置
Why does BERT work?
"苹果手机"和"喝苹果汁"的两个果是不是相似的呢？（黄色越深代表相似度越高）
答案是不相似的
Multi-lingual BERT
发现训练完一个语言的BERT之后他就自动的具备了另一个语言的功能，
认为是不同的语言意思差不多的词在几乎相近的向量空间上
GPT
训练方式自回归语言建模（Autoregressive Language Modeling）：
在训练时，GPT的任务是给定一段文本的前面部分，预测接下来的一个词或标记。
换句话说，GPT会根据上下文信息逐步生成文本，每次生成一个单词（或更精确的标记），然后使用这个生成的标记作为下一个预测的输入。
举个例子，如果给定文本是："The cat is on the"，GPT的任务是预测下一个词是"mat"或其他合理的词。