标签：html 文本 col 礼物 代码 向量 you font 图片
代码在最后面
前面是代码细节的内容讲解
## 前綴的 tokens 即為 wordpieces
以詞彙 fragment 來說，其可以被拆成 frag 與 ##ment 兩個 pieces，而一個 word 也可以獨自形成一個 wordpiece。wordpieces 可以由蒐集大量文本並找出其中常見的 pattern 取得。
除了一般的 wordpieces 以外，BERT 裡頭有 5 個特殊 tokens 各司其職：
[CLS]：在做分類任務時其最後一層的 repr. 會被視為整個輸入序列的 repr.[SEP]：有兩個句子的文本會被串接成一個輸入序列，並在兩句之間插入這個 token 以做區隔[UNK]：沒出現在 BERT 字典裡頭的字會被這個 token 取代[PAD]：zero padding 遮罩，將長度不一的輸入序列補齊方便做 batch 運算[MASK]：未知遮罩，僅在預訓練階段會用到
這樣的 word repr. 就是近年十分盛行的 contextual word representation 概念。跟以往沒有蘊含上下文資訊的 Word2Vec、GloVe 等無語境的詞嵌入向量有很大的差異。用稍微學術一點的說法就是：
Contextual word repr. 讓同 word type 的 word token 在不同語境下有不同的表示方式；而傳統的詞向量無論上下文，都會讓同 type 的 word token 的 repr. 相同。
直覺上 contextual word representation 比較能反映人類語言的真實情況，
fine tune BERT 來解決新的下游任務有 5 個簡單步驟：
為了讓 GPU 平行運算我們需要將 batch 裡的每個輸入序列都補上 zero padding 以保證它們長度一致
标签：html 文本 col 礼物 代码 向量 you font 图片
原文地址：https://www.cnblogs.com/tfknight/p/13273514.html
