RNN存在信息瓶颈的问题。
注意力机制的核心就是在decoder的每一步，都把encoder的所有向量提供给decoder模型。
具体的例子
先获得encoder隐向量的一个注意力分数。
注意力机制的各种变体
一：直接点积
二：中间乘以一个矩阵
三：Additive attention：使用一层前馈神经网络来获得注意力分数
…
Transformer概述
输入层
BPE（Byte Pair Encoding)
BPE提出主要是为了解决OOV的问题：会出现一些在词表中没有出现过的词。
位置编码Positional Encoding
Transformer Block
attention层
不进行scale，则方差会很大。则经过softmax后，有些部分会很尖锐，接近1。
多头注意力机制
Transformer Decoder Block
mask保证了文本生成是顺序生成的。
其他Tricks
Transformer的优缺点
缺点：模型对参数敏感，优化困难；处理文本复杂度是文本长度的平方数量级。
预训练语言模型PLM
预训练语言模型学习到的知识可以非常容易地迁移到下游任务。
word2vec是第一个预训练语言模型。现在绝大多数语言模型都是基于Transformer了，如Bert。
PLMs的两种范式
1.feature提取器：预训练好模型后，feature固定。典型的如word2vec和Elmo
2.对整个模型的参数进行更新
GPT
BERT
不同于GPT，BERT是双向的预训练模型。使用的是基于Mask的数据。
它的最主要的预训练任务是预测mask词。
还有一个是预测下一个句子。
PLMs after BERT
BERT的问题：
尽管BERT采用了一些策略，使mask可能替换成其他词或正确词。但是这并没有解决mask没有出现在下游任务。
预训练效率低。
窗口大小受限。
相关改进工作
RoBERTa指出bert并没有完全训练。它可以被训练得更加鲁棒。
MLM任务的应用
跨语言对齐
跨模态对齐
PLM前沿
GPT3
T5
统一所有NLP任务为seq to seq的形式
MoE
每次模型调用部分子模块来处理。涉及调度，负载均衡。
Transformers教程
介绍
使用Transformers的Pipeline
Tokenization
常用API
