相关代码见文末
1.概述
问题背景：
-
传统Seq2Seq模型的局限性： 早期的机器翻译和文本生成任务常采用基于循环神经网络（RNN）的序列到序列（Seq2Seq）模型，这类模型在处理长序列时容易遇到梯度消失/爆炸问题，导致训练效率低，难以捕捉长期依赖。
-
RNN网络的问题： RNN及其变种如LSTM和GRU在网络结构上的顺序执行特性限制了其并行计算能力，使得训练速度受限。此外，对于某些复杂语言结构的理解和生成不够高效和准确。
-
Word2Vec的局限性： 传统的词嵌入方法如Word2Vec虽然能有效学习单词的分布式表示，但它基于上下文独立的假设生成固定向量，无法体现单词在不同语境中的多义性。例如，“干哈那”这样的词语，在不同上下文中可能有完全不同的含义，但Word2Vec会为其分配一个固定的向量，不能灵活适应这些变化。
BERT的解决方案：
<
