day42部分题目

我的问题是：从底层网络计算的机制来看，BiLSTM 和 BERT（也就是 Transformer 架构）在处理这种长文本的'长距离序列依赖'时，它们的核心工作方式有什么本质区别？为什么在这个任务上，BERT 获取全局语义的能力会碾压 BiLSTM？"

首先是 BiLSTM ：它的本质依然是串行计算 。虽然它有输入、遗忘、输出三个门控机制，能极大地缓解梯度消失问题，但它依然需要'一个词一个词'地按顺序读。如果一篇文章有 500 个词，第 1 个词的信息要经过 500 步才能传递到最后。在这个漫长的传递过程中，信息必然会发生严重的衰减和丢失。

而 BERT（Transformer 架构）则完全不同 ：它使用的是 Self-Attention（自注意力机制） 。它抛弃了按顺序读的模式，直接开启了**'上帝视角'。在计算时，句子里的 任意两个词**，无论隔得有多远，它们之间都能直接进行一次矩阵乘法（点积），距离瞬间缩短为 1 步（ $O(1)$ 的复杂度）。

所以，BERT 不仅自带强大的预训练迁移学习知识，更因为这种一步到位的全局注意力机制 ，让它在处理咱们项目里几百词的长文本时，能够完美捕捉首尾的语义关联，最终分类效果彻底碾压了受限于串行信息衰减的 BiLSTM。"

"老师，LSTM 就像串行传话，相隔 100 个词就需要 100 步的传递，极其容易造成长距离信息的遗忘。而 BERT 的 Self-Attention 相当于打破了时间序列的限制，让所有的词同时在一个全连接的图里进行矩阵点积打分。它使得任意两个词语的语义交互距离强制缩短为 1 步，这也是为什么在处理咱们天池那几十万条长文本新闻时，BERT 能一眼看穿全局语义，碾压了 BiLSTM。"

导师提问： "你的权重是怎么按 F1 分数分配的？具体的计算策略是什么？"

为什么你要费劲捕获这种长距离依赖？

你把 TextCNN、BiLSTM 和 BERT 这种异构网络强行集成在一起，理论上是不对的，它们提取特征的空间都不一样，你怎么能这样直接做模型预测呢？"

为什么一定要一样长？（显卡的"强迫症"）

如果你在写代码时偷了个懒，没有用 pack_padded_sequence 把这些 0 给'压缩/屏蔽'掉，直接把带有大量 0 的矩阵强行喂给了 BiLSTM，这会对你的模型训练、以及最终算出来的特征向量，造成什么毁灭性的打击？"

"混合精度 FP16 中，GradScaler 是干什么用的？没有它行不行？" (展示你的显存和精度管理能力) ："不行。FP16 虽然能让训练吞吐量翻倍并节省显存，但它的动态范围比 FP32 窄很多。在反向传播时，很多极其微小的梯度在 FP16 下会被直接截断为 0，引发'梯度下溢'。GradScaler 的作用是在反向传播前，将 Loss 乘上一个非常大的缩放因子把梯度放大，等权重更新前再缩放回来，从而完美兼顾了速度与精度。"

所谓的"加权软投票"到底怎么用代码实现？

长尾优化与特征集成：设计类别加权交叉熵提升少数类敏感度；提取各模型在测试集输出的 Logits 矩阵，采用基于验证集 F1 分数的加权软投票（Soft Voting）策略实现降维融合。做这个的意义是什么

同学，你已经有了很强的 BERT，为什么还要费力气把 CNN 和 RNN 融合进来？"

"你提到用了 Soft Voting（软投票），它比普通的'少数服从多数'高级在哪里？"

"为什么说硬投票会丢失置信度信息？你的加权软投票具体是怎么加权的？"

看你的代码只有单模型训练，你这个融合在工程上是怎么落地的？

怎么微调的

"你提到了用 Linear Warmup 保护底层预训练权重，为什么要保护？不加 Warmup 会发生什么？"

防止"新人的鲁莽"破坏"老兵的经验"， BERT 微调属于迁移学习 ，我们需要在保护'预训练知识'和学习'新任务特征'之间做平衡。

你的数据既然是脱敏的数字 ID，那你后面用的 BERT 预训练模型，它自带的中文词表（Vocab）不就完全失效了吗？你是怎么解决这个冲突的？

"CNN 通常用来处理二维图像（比如花卉），你是怎么用它来处理一维的文本数据的？你的卷积核大小 $2, 3, 4$ 到底代表什么物理含义？"

卷积之后你接了一个 Max Pooling（最大池化），而且窗口大小等于整个句子的长度。为什么要这么做？这会不会丢掉很多信息？

BiLSTM + Attention 的时序魔法

新闻文本长短不一，你在 Batch 训练时肯定要做 Padding（补齐 0）。这些 0 会对 LSTM 造成什么影响？

为什么用了 BiLSTM 还要加 Attention？你的 Attention 在遇到刚才说的 Padding 0 时，是怎么处理的？"

因为bilstm认为每个词的贡献是极其不合理的，所以使用了注意力机制，做了mask操作，告诉模型哪些是真实词，哪些是0，送入softmax时候，把补齐的0的分数换成极小的负数

你说数据存在严重的'长尾类别不平衡'，你是怎么解决的？为什么最后评估模型用的是 Macro-F1 而不是 Accuracy（准确率）？

pack__sequence与mask

你具体是怎么在代码里部署 GradScaler 的？加在哪个位置了？"

反向传播之前增大梯度，更新参数之前再缩回去

也就是说，样本数越小，猜错的惩罚就越大，代价越高

不用过采样有两个原因：

一是过采样少数类会引入重复样本，增加过拟合风险，尤其是在数据量已经有 20 万的情况下；二是加权损失在实现上更简洁，不改变数据分布，训练流程更稳定。两者本质上都是在调整类别的梯度贡献比例，但加权损失更优雅。

Label Smoothing 的原理是什么？在你的项目里解决了什么问题？

Label Smoothing 是把硬标签软化，正确类从 1 变成 0.9，其他类从 0 变成约 0.007。它在我的项目里解决两个问题：第一是防止过拟合，硬标签会驱动模型把 logit 推到极端值，softmax 输出趋近 one-hot，模型过度自信；第二是配合类别不平衡，少数类样本少，模型容易在这些类上过度拟合几个训练样本的模式，Label Smoothing 相当于正则化，让模型保持适度的不确定性。