1.背景知识
one-hot -> word class -> word embedding
不过传统的word embedding解决不了多义词的问题。
2. ELMO
为了解决上述问题，首先有了ELMO。
它是一个双向的RNN网络，这样每一个单词都对应两个hidden state，进行拼接便可以得到单词的Embedding表示。当同一个单词上下文不一样，得到的embedding就不同。
当然也可以搞很多层，每一层得到的embedding都要。
根据下游任务，可以得到不同embedding的权重。
3. BERT
BERT只是Transformer中的Encoder，那Bert怎么训练呢？有两种方法。
第一个称为Masked LM，做法是随机把一些单词变为Mask，让模型去猜测盖住的地方是什么单词。
假设输入里面的第二个词汇是被盖住的，把其对应的embedding输入到一个多分类模型中，来预测被盖住的单词。
另一种方法是预测下一个句子，这里，先把两句话连起来，中间加一个[SEP]作为两个句子的分隔符。
而在两个句子的开头，放一个[CLS]标志符，将其得到的embedding输入到二分类的模型，输出两个句子是不是接在一起的。
实际中，同时使用两种方法往往得到的结果最好。
在ELMO中，训练好的embedding是不会参与下游训练的，下游任务会训练不同embedding对应的权重，但在Bert中，Bert是和下游任务一起训练的。
4. BERT的应用
如果是分类任务，在句子前面加一个标志，将其经过Bert得到的embedding输出到二分类模型中，得到分类结果。二分类模型从头开始学，而Bert在预训练的基础上进行微调（fine-tuning）。
单词分类：
自然语言推理任务，给定一个前提／假设，判断得到推论是否正确：
最后一个例子是抽取式QA，抽取式的意思是输入一个原文和问题，输出两个整数start和end，代表答案在原文中的起始位置和结束位置，两个位置中间的结果就是答案。
把问题 - 分隔符 - 原文输入到BERT中，每一个单词输出一个黄颜色的embedding，这里还需要学习两个（一个橙色一个蓝色）的向量，这两个向量分别与原文中每个单词对应的embedding进行点乘，经过softmax之后得到输出最高的位置。正常情况下start <= end，但如果start > end的话，说明是矛盾的case，此题无解。
BERT在各大比赛中刷榜：
5. ERNIE
百度的ERNIE。
BERT学到了什么？
6. GPT-2
GPT-2的模型非常巨大，它其实是Transformer的Decoder。
由于GPT-2的模型非常巨大，它在很多任务上都达到了惊人的结果，甚至可以做到zero-shot learning（简单来说就是模型的迁移能力非常好），如阅读理解任务，不需要任何阅读理解的训练集，就可以得到很好的结果。
还可以自己进行写作，效果惊人。
