介绍
本篇文章主要讲基于bert预训练模型的一些例子，希望可以从不同角度理解与应用基于bert的一些应用。
nlp发展了这么多年，经历了规则，统计，模型等阶段，目前预训练模型基本算是一统天下了。
大公司有更多资源，可以联合一些科研机构与组织搞一些事情，比如微软和nvidia利用更多的资源来探测模型的边界。
这个就很有意思，思考一个问题，什么叫意识？什么情况下产生了意识？
什么是意识，这个可以尝试用两个词来理解，计算和算计。计算很好理解，比如计算机，计算器，本质来讲是人输入指令，获得一个预期结果，不会产生任何歧义。而算计呢，它是一个综合体，它的输出是多样的，有可能不可预知的。它具有自己的思考。
那什么情况下产生了意识？这个问题就是这些大佬们所想要尝试认知的东西。比如人类有30亿碱基对，蚊子才几千万，单细胞生物可能更少可能就被认为不具备意识？如此看来的话，那我可以尝试扩充网络容量，更多的训练数据集，等到了某个程度下，突然机器就具备了某种智能。
这是个有意思的研究！
不过扯了这么多，小公司的话，更多是基于预训练模型的微调。
为什么要基于预训练模型微调呢，严格意义来讲就是预训练模型已经学习到了语义，一个认知大脑。基于此，给定一个具体任务，来对其进行微调，使其具备更快的收敛能力和更好的泛化能力。
所以掌握下还是很重要滴😂😂😂。
下面介绍四个应用示例，每一种大致介绍下，更具体的实现可以自行实现。
不过作者在这里使用了Trainer，这是transformers出的一套工具，可以让你更快的训练，但是封装太高，懒得折腾了，不如自己从头写😂😂😂。
命名实体任务
代码.
这个是个ner任务，不知道ner的自行百度，模型后面接了一个linear，如果想要更深入，可以看看crf。
不过这个任务如果用于分词，词性标注还是很nice的。
句子对相似度
代码.
这个任务还是蛮有意思的，之前也有类似的比赛。比如天池 疫情相似句对判定大赛 线上第一名方案。
整体实现思路基本一致，不过作者加入了对抗训练这些东西，感兴趣可以看看。
句子分类
代码.
这个就是多分类任务，也是比较常见的场景。
阅读理解
代码.
这个我没看😂😂😂。
总结
好吧，这本书快让我水了一波，感兴趣的需要基础的老铁们可以多翻翻。
