1.Contextualized Word Embedding
同样的单词有不同的意思，比如下面的几个句子，同样有 “bank” ，却有着不同的意思。但是用训练出来的 Word2Vec 得到 “bank” 的向量会是一样的。向量一样说明 “word” 的意思是一样的，事实上并不是如此。这是 Word2Vec 的缺陷。
下面的句子中，同样是“bank”，确是不同的 token，只是有同样的 type
我们期望每一个 word token 都有一个 embedding。每个 word token 的 embedding 依赖于它的上下文。这种方法叫做 Contextualized Word Embedding。
2.EMLO
EMLO 是 Embeddings from Language Model 的缩写，它是一个 RNN-based 的模型，只需要有大量句子就可以训练。
我们可以把训练的 RNN 隐藏层的权重拿出来，把词汇经过隐藏层后输出的向量当做这个单词的 embedding，因为 RNN 是考虑上下文的，所以同一个单词在不同的上下文中它会得到不同的向量。上面是一个正向里的 RNN，如果觉得考虑到的信息不够，可以训练双向 RNN ，同样将隐藏层的输出作为 embedding。
如果我们的 RNN 有很多层，我们要拿那一隐藏层的输出作为 embedding？
在 ELMO 中，它取出每一层得到的向量，经过运算得到我们每一个单词的 embedding
比如上图，假设我们有2层，所以每个单词都会得到 2 个向量，最简单的方法就是把两个向量加起来作为这个单词的embedding。
EMLO中会把两个向量取出来，然后乘以不同的权重 $\alpha $，再将得到的我们得到的 embedding 做下游任务。
$\alpha $ 也是模型学习得到的，它会根据我们的下游任务一起训练得到，所以不同的任务用到的 $\alpha $ 是不一样的
比如我们的 embedding 可以有3个来源，如上图所示。分别是
- 原来没有经过 contextualized 的 embedding，就是上面的 Token
- Token 经过第一层抽出第一个 embedding
- Token 经过第二层抽出第二个 embedding
颜色的深浅代表了权重的大小，可以看到不同的任务（SRL、Coref 等）有着不同的权重。
3.BERT
BERT 是 Bidirectional Encoder Representations from Transformers 的缩写，BERT 是 Transformer 中的 Encoder。它由许多个 Encoder 堆叠而成
在 BERT 里面，我们的文本是不需要标签的，只有收集到一堆句子就可以训练了。
BERT 是 Encoder，所以可以看成输入一个句子，输出 embedding，每个 embedding 对应一个 word
上图的例子我们是以 “词” 为单位，有时候我们以 “字” 为单位会更好。比如中文的 “词” 是很多的，但是常用的 “字” 是有限的。
在 BERT 中，有两种训练方法，一种是 Masked LM。另一种是 Next Sentence Prediction。但一般同时使用，会取得更好的效果。
3.1Masked LM
在 Masked LM 中，我们会把输入的句子中随机将15%的词汇置换为一个特殊的 token ，叫做 [MASK]
BERT 的任务就是猜出这些被置换掉的词汇的什么。
就像是一个填词游戏，挖去一句话中的某个单词，让你自己填上合适的单词
经过 BERT 后我们得到一个 embedding，再把置换为 [MASK] 的那个位置输出的 embedding 通过一个线性分类器，预测这个单词是什么
因为这个分类器是 Linear 的，所以它的能力非常非常弱，所以 BERT 要输出一个非常好的 embedding，才能预测出被置换掉的单词是什么
如果两个不同的词可以填在同一个句子，他们会有相似的embedding，因为他们语义相近
3.2Next Sentence Prediction
在 Next Sentence Prediction 中，我们给 BERT 两个句子，让 BERT 预测这两个句子是不是接在一起的
[SEP]：特殊的toekn，代表两个句子的交界处
[CLS]：特殊的token，代表要做分类
我们再把 [CLS] 输出的向量通过一个线性分类器，让分类器判断这两个句子应不应该接在一起。
BERT 是 Transformer 的 Encoder，它用到了 self-attention 机制，可以读到句子的全部信息，所以 [CLS] 可以放在开头
我们也可以直接把这个向量输入一个分类器中，判断文本的类别，比如下面判断垃圾邮件的实例
3.3ERNIE
ERNIE 是 Enhance Representation through Knowledge Integration 的缩写
ERNIE是专门为中文准备的，BERT的输入以中文的字为单位，随机盖掉一些字后其实是很容易被猜出来的，如上图所示。所以盖掉一个词汇比较合适。
4.GPT
GPT 是 Generative Pre-Training 的缩写，它的参数量特别大，如下图所示，它的参数量是 BERT 的4.5倍左右
BERT 是 Transformer 的 Encoder，GPT则是 Transformer 的 Decoder。GPT 输入一些词汇，预测接下来的词汇。其计算过程如下图所示。
我们输入单词 “潮水”，经过许多层的 self-attention 后得到输出 “退了”。再把 “退了” 作为输入，预测下一个输出。
GPT可以做阅读理解、句子或段落生成和翻译等NLP任务
参考资料：
http://jalammar.github.io/illustrated-bert/
李宏毅深度学习
原文地址：https://www.cnblogs.com/dogecheng/p/11615750.html