Bert模型浅析

本文通过ppt和大家简单聊一下关于nlp模型bert的一些知识，网上很多关于bert的解读，翻来覆去都是那些论文里的翻译之类的，十个人有九个相同的东西。本文简单的摘录了一些大佬之言，仅供参考。

1、Bert简介

先来聊一下nlp领域关于预训练的一个简单的发展历程。总所周知，图像领域的imagenet预训练对于图像处理有着相当大的意义，namenlp领域是否也存在这样的一个通用模型呢？
从word2vec开始，大佬们就开始不断地拓展新的模型。word2vec相应熟悉nlp领域的人都十分清晰它的好处，用它做词嵌入可以做出比较好的文本表征。它算是神经语言模型的一种变种，也是基于句子连个词前后的关系来捕捉句子里的特征。但是它的缺点很明显，对于同义词无能为力。
接下里，带大家认识一下transformer这个网路结构，它算是2017年nlp领域一个比较大的突破，摒弃了rnn这种序列结构，直接用上了attention机制来做，在神经翻译领域取得了很大的成就。
另外，Emlo这个模型使用了两层双向lstm模型来做词表征，词嵌入不再是固定的向量，而是会根据上下文信息进行辩护啊，这样就可以解决了同义词的问题。但是从后期的一些模型出现表现来看这样的双向lstm表征能力不足。
GPT使用的是trandformer结构来做单向的下个词汇预测的一个预训练模型，而bert在此基础上介入了双向，而且预训练任务修改成了完形填空与上下句判断两个任务。这个下面会详细聊一下。

我们可以看一下bert模型的而一些数据，一句话概括“