技术前瞻
在预训练模型上训练Bert，并在我们的数据上fine-tune所需要的模型！
就像学习英文一样！ 应该是通读英文文章后再去做题，而不是先做题再读懂文章！
Pre-train Model
Embedding
刚开始是 Word2Vertor，但是不能所有的单词都这样的！ 太多了
要不，用字母和偏旁？
但是你这样下去，是有词义歧义的！
所以才有了Contextualized Word Embedding！ 这里中间的Model可以选择是LSTM、Self-attention layers或者是Tree-based model（语法树）！ 下面的链接是关于Tree-based model的！
BERT要不做大，要不做小！ 大公司都是越来越大，但是穷人就是使得Bert越来越小！
其中最有名的是ALBERT，它神奇的地方在于基本都和BERT一样，不同的方法在于原来的BERT12层、24层都是不同的参数，但是ALBERT12层、24层都是一样的参数，但是效果比BERT还要好。
究竟怎么让模型变小呢？ 这里有很多的方法可以自己去了解一下：
Network Architecture
如果我们处理更多的句子，而不是仅仅的sequence的tokens，而是segment-level的！ 而是成段的，整个文章放入网络！
how to fine-tune
具体的NLP任务来进行fine-tune！
NLP的任务：
如果输入多个句子时：
输入两个句子，中间有【SEP】作为隔绝！ 两个句子可以是查询和文件的差距，也可以是前提和假设的差异！
如果是输出时：
one class：
我们可以使用CLS，使得其输出一个类！
或者我们取几个向量的平均！
class for each token：
每个token输出一个类
copy from input：
文件D和答案query一起作为输入放到QA model里，最终输出两个整型变量s和e，分别是在文中的答案！
在BERT中如果操作的呢？ 我们只需要两个vector（没有懂怎么获得的，可能是预定义的），其中一个vector用来和document中的输出vector做dot product来，根据相似度来定是不是是不是起点； 而另一个vector是作为结尾的！
General Sequence（v1）：
Bert很适合Seq2Seq中的Encoder，然后经过Decoder来得到输出的句子！ 但是问题在于，现在的Task Specific需要的labeled data不应该多，而且Decoder最好是预训练的！ 但是现实是没有训练，那就会受到影响！
General Sequence（v2）：
我们可以以预测下一个token的方法来训练seq2seq！
how to fine-tune：
第一种是将Pre-trained model固定住，第二种是一块训练！ 但是结果表明，往往一块训练效果会更好！
Adaptor：
如果一块训练的话，参数实在是太多了！
那么我们可不可以选择其中一部分层进行训练呢？ 将这些层称为Adaptor层！其它地方固定！
Adaptor的方法很多，而且插入到哪里都是需要研究的！ 我们以Transformer为例，我们在Feed-forward layer后加入Adaptor； 同时在训练之前我们不训练Adaptor，加入具体任务之后，我们才会训练Adaptor！ 右边的是Adaptor层的具体，确保参数不会太多！
左侧0代表的是如果我们fine-tune整个model得到的结果，下图中蓝色的线表示的是训练倒数层，第一个点是倒数第一层，第二个点加入了倒数第二层，第三个点是加入了倒数第三层，以此类推! 而橙色的线就表示的是只训练其中的Adaptor！
Weighted Features：
其中
W
1
W_1
W1?和
W
2
W_2
W2?是可以被学出的！ 比如我们用最终的特征放入具体的任务中，那么这个参数就是可以被学习的！其中
W
1
W_1
W1?和
W
2
W_2
W2?对应于不同层产出的特征！ 不同层产出的特征是有不同的侧重点的，谁重要谁不重要是需要自己学的！
WHY Pre-train Models？：
为什么使用Pre-train Models？ 因为这些Model真的带给了我们不错的效果！
Why FIne-tune？：
实现代表该模型Fine-tune过，虚线代表没有Fine-tune过！ 可以看出所有的实线loss下降的都很快！
如何生成下面的图像？ 可以看右上角的链接！
怎么看出这个模型是不是有泛化能力？ end Point是峡谷的话泛化能力差，如果是盆地，那么泛化能力就很好！
