Pre-train
1.收集海量无标注文本数据
2.进行模型预训练，并在任务模型中使用
Fine-tune 传统方法
设置模型结构
收集/标注训练数据
使用标注数据进行模型训练
真实场景模型预测
传统方法： Fine-true
预训练方法: Pre-train + Fine-true
预训练方式
1.完形填空
依照一定概率，用[mask]掩盖文本中的某个字或词
2.句子关系预测
BERT的本质是一种文本特征
文本 -> 矩阵
文本 -> 向量
word2vec 也可以做到同样的事
但word2vec是静态的，而BERT是动态的 这里是因为，word2vec可以把语言弄成向量，但是无法做到语义上的理解，就好比苹果，是指苹果手机还是能吃的苹果，word2vec做不到
BERT可以做到，因为它经过线性层，就好比RNN,就能理解
BERT成功的原因一个是预训练，另一个则是提出大名鼎鼎的结构，transformer结构
BERT结构 - Embedding
加入 [CLS],[SEP] 来标记文本起始位置 BERT开源后V* h ,词表为2w多，h为768，
Segment embedding 判断来源语句 EA代表第一句 ，EB代表第二句，一共就准备两个embeding,第三句又会用上EA,第四句又会用上EB
Position embedding 带入语序信息
加和后会做 Layer Normalization
但是有个局限性，Position当时只准备了512个，无法适应超长的文本
BERT结构 - self -attention
X为embedding层的输出，WQ，WK,WV都是 h*h，所以QKV是l*h
Q*K的转置 是L*L的矩阵，形成一个如下矩阵
这个矩阵很关键，它体现了自身到自身的注意力
接下来就是根号dk,多头机制
BERT结构 - Encoder
LayerNorm是干啥用的
因为，我们之间经历了很多神经网络层，为了防止"数据跑偏"和"梯度失控",强制把每一层数据拉回来
BERT的优势
1.通过预训练利用了海量无标注文本数据
2.想必词向量，BERT的文本表示结合了语境
3.Transformer模型结构由很强的拟合能力，词与词之间的距离不会造成关系计算上的损失
4.效果大幅提升