1. 自监督学习 bert 为例子

BERT（Bidirectional Encoder Representations from Transformers）是一种预训练语言表示的方法，由 Google 在 2018 年提出。它是基于 Transformer 架构的模型，主要用于自然语言处理（NLP）任务。BERT 的核心特点和结构如下：

1.1 BERT 的特点：

1. 双向编码器：

   • BERT 使用 Transformer 的编码器部分，并且是第一个成功应用双向训练的语言模型，即在预训练阶段同时考虑了左右两侧的上下文信息。

2. 深层和广泛层连接：

   • BERT 模型通常包含多层 Transformer 编码器堆叠，每层都包含自注意力机制和前馈网络。

3. 大规模预训练：

   • BERT 在大量文本数据上进行预训练，这些数据可以是书籍、网页等，从而学习到丰富的语言表示。

4. 任务灵活性：

   • 预训练完成后，BERT 可以用于各种下游 NLP 任务，如文本分类、问答、命名实体识别等，通常通过在预训练模型上添加少量任务特定层来实现。

5. 微调能力：

   • BERT 支持微调（Fine-tuning），即在下游任务上进一步训练预训练模型，以学习特定于任务的信息。

1.2 BERT 的模型结构：

1. 嵌入层：

   • 包括词嵌入、位置嵌入和段嵌入，用于将输入文本转换为模型可以处理的数值向量。

2. 多头自注意力机制：

   • 允许模型在编码单词时同时考虑不同位置的上下文信息。

3. 前馈网络：

   • 在每个 Transformer 层中，自注意力层的输出会通过一个前馈网络进一步处理。

4. 层归一化：

   • 在每个子层的输入和输出上应用层归一化，以稳定训练过程。

5. 残差连接：

   • 每个子层的输出通过残差连接与输入相加，以帮助梯度流动。

1.3 训练 BERT 的步骤：

1. 预训练：

   • 使用大量无标签文本数据进行预训练，主要通过以下两个任务：
     • 遮蔽语言模型（Masked Language Model, MLM）：随机遮蔽输入句子中的一些单词，然后预测这些单词。
     • 下一句预测（Next Sentence Prediction, NSP）：预测两个句子是否是连续的句子。

2. 微调：

   • 在特定的下游任务上进一步训练预训练得到的 BERT 模型。这通常涉及到在模型顶部添加任务特定的层，并使用带标签的数据进行训练。

3. 数据准备：

   • 对于下游任务，准备并预处理数据，包括分词、构建词汇表、编码文本等。

4. 模型配置：

   • 根据任务需求选择合适的 BERT 模型配置，如层数、隐藏层大小等。

5. 损失函数和优化器：

   • 定义适合下游任务的损失函数，并选择合适的优化器进行模型训练。

6. 训练和验证：

   • 执行模型训练，并在验证集上评估性能，调整超参数。

7. 保存和加载模型：

   • 在训练过程中保存模型的检查点，并在需要时加载模型进行进一步的训练或测试。

8. 评估：

   • 在测试集上评估模型的最终性能，使用适当的评估指标。

9. 部署：

   • 将训练好的模型部署到生产环境中，用于实际的 NLP 任务。

BERT 模型由于其强大的语言表示能力，在 NLP 领域取得了显著的成果，并激发了一系列基于 Transformer 的预训练语言模型的发展。

GLUE数据集是一中对机器学习小任务的能力评估模型，这里可以看出随着算法的发展，在多个子任务上机器的能力已经超过人类，部分子任务机器的能力自逼近人类的能力

2. how to use BERT

在这里插入图片描述

2. multi-lingual BERT

multi-lingual bert 200k 训练 loss 有点大， 但是当数据量达到1000k 的时候 LOss 在训练一周后 开始下降

分别计算训练后 BERT 在不同语言下的中心 在翻译的过程中 减去中心后 就会得到不同语言下的对齐的结果

3. GPTs

GPT实现一个假新闻： 安第斯山脉发现以恶搞独角兽


bert 的模型是基于各种已有问题的训练， 但是GPT的模型作者的脑洞更大，并且实现了，以下三种模式，就是给出要做的事情，给出几个样例，然后给出问题，采用提示词大的方式来与模型交互，可能也是大经历过 非常大的规模的数据训练出来的模型才有的一种“智能”的形式吧，也即探索的本质——压缩

bert 应用到 图像