Bert学习笔记
1、Bert的嵌入层（输入表示）
WordPiece（子词分词方法）+ 绝对位置编码 + Segment Embedding
WordPiece Embedding ：BERT 使⽤ WordPiece 作为分词⽅法，将单词划分为⼦词单元。这
种处理⽅式既能处理未知词汇，⼜能提⾼模型的灵活性和泛化能⼒。例如，罕⻅或不规则单词会被
分成更常⻅的⼦词单位，进⽽能够在训练中更好地学习到词汇语义。
笔记见：Tokenizer训练方式和常见的分词模型-CSDN博客
位置嵌⼊ (Position Embedding) ：由于 BERT 只使⽤ Transformer 的编码器部分，并不依
赖于序列化结构（如 RNN 或 LSTM），因此它⽆法从输⼊序列中⾃然地获取位置信息。为了弥补这⼀点，BERT 通过位置嵌⼊为每个词汇添加了位置特征，使模型能够感知词汇在序列中的相对位
置。BERT 初始化了⼀个位置嵌⼊矩阵，并在训练过程中学习这些位置向量。
段落嵌⼊ (Segment Embedding) ：在 BERT 中，输⼊通常是两个句⼦拼接⽽成，特别是在句
⼦预测任务 (Next Sentence Prediction, NSP) 中。因此，BERT 为输⼊中的每个 token 添加⼀个
段落嵌⼊，⽤来区分句⼦ A 和句⼦ B，帮助模型更好地理解句⼦之间的关系。
最终，BERT 的输⼊是这三种嵌⼊的求和：wordpiece embedding + position embedding +
segment embedding，这样能够同时捕捉词汇、位置、以及句⼦间的信息。
2、Bert的编码器层（Transformer的Encoder）
BERT 的主要结构是基于 Transformer 的编码器部分，通过堆叠多层编码器来实现深度语义学
习。Transformer 编码器包含⼏个核⼼部分：multi-head-Attention + Layer Normalization + feedforword + Layer Normalization 叠加产⽣，BERT的每⼀层由⼀个这样的encoder单元构成。
3、预训练任务 (Pre-training Tasks)
BERT 在⼤规模语料上通过⾃监督学习进⾏了预训练，主要包括两个任务：
4、BERT模型特点
