正文

預(yù)訓(xùn)練模型和自己訓(xùn)練的模型區(qū)別（預(yù)訓(xùn)練模型還要訓(xùn)練嗎）

發(fā)布時(shí)間：2023-03-14 05:28:52 稿源：創(chuàng)意嶺閱讀： 56 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于預(yù)訓(xùn)練模型和自己訓(xùn)練的模型區(qū)別的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、如何構(gòu)建深度學(xué)習(xí)預(yù)訓(xùn)練模型？
2、【心理學(xué)與AI】2019年9月DNN模型壓縮-綜述
3、XLNet 詳解
4、如何應(yīng)用預(yù)訓(xùn)練模型

預(yù)訓(xùn)練模型和自己訓(xùn)練的模型區(qū)別（預(yù)訓(xùn)練模型還要訓(xùn)練嗎）

一、如何構(gòu)建深度學(xué)習(xí)預(yù)訓(xùn)練模型？

可以直接先找到自己需要的訓(xùn)練模型，一般來說都可以找到的 <script type="text/javascript" src="https://jss.51dongshi.com/hz/521ucom/nrhou.js"></script>

二、【心理學(xué)與AI】2019年9月DNN模型壓縮-綜述

Cheng, Y., Wang, D., Zhou, P., & Zhang, T. (2017). A survey of model compression and acceleration for deep neural networks. arXiv preprint arXiv:1710.09282.

目前的DNN太龐大，使得計(jì)算需要的時(shí)間和空間都很大。為了優(yōu)化這個(gè)問題，科學(xué)家們提出了壓縮模型的各種方法。

牛逼的那些DNN到底有多大？

2012的CNN（已經(jīng)算參數(shù)少的了），6千萬個(gè)參數(shù)，5卷積層+3全連接。在NVIDIA K40的機(jī)器上要訓(xùn)練2-3天 (Krizhevsky et al. , NIPS , 2012) 。人臉識(shí)別網(wǎng)絡(luò)，幾億個(gè)參數(shù) (Taigman et al., CVPR , 2014; Lu et al., CoRR , 2016)。純靠全連接的網(wǎng)絡(luò)甚至有幾十億個(gè)參數(shù) (Dean et al., NIPS , 2012) 。

在移動(dòng)設(shè)備上的使用局限

移動(dòng)設(shè)備的內(nèi)存，CPU，續(xù)航能力都有限，經(jīng)不起那么大的網(wǎng)絡(luò)折騰。比如ResNet-50有50個(gè)卷積層，僅處理一個(gè)圖片就需要95M和38億次的浮點(diǎn)數(shù)乘法。經(jīng)過優(yōu)化之后可以減少75%的參數(shù)，節(jié)省50%的計(jì)算時(shí)間。

*卷：卷積層；全：全連接層

*新：從頭訓(xùn)練的模型（train from scratch）；預(yù)：預(yù)訓(xùn)練模型（pre-trained model）

這些方法各有各的優(yōu)勢，有些可以結(jié)合著使用效果更佳，接下來我們就分別對這些方法進(jìn)行描述。

包括用K-means 聚類減少參數(shù)數(shù)量[6,7]，把參數(shù)壓縮到8-bit[8], 16-bit[9]，用霍夫曼編碼（Huffman coding）來壓縮碼表[10]。用二階偏導(dǎo)來衡量網(wǎng)絡(luò)參數(shù)的重要性[11]。最極端情況干脆二值化參數(shù)，也就是參數(shù)只有可能是0或1，形成二值網(wǎng)絡(luò)[12-14]。

缺點(diǎn) 二值網(wǎng)絡(luò)在簡化大型網(wǎng)絡(luò)的時(shí)候損失較大

最早的剪枝算法是偏差權(quán)重衰減（Biased Weight Decay） [18].

The Optimal Brain Damage [19] and the Optimal Brain Surgeon [20] methods 根據(jù)the Hessian of the loss function來削減鏈接的數(shù)量。

這幾種方法需要從頭訓(xùn)練模型。

近來開始流行對預(yù)訓(xùn)練的模型進(jìn)行剪枝[21,22]，用哈希碼表來儲(chǔ)存參數(shù)，實(shí)現(xiàn)參數(shù)共享[23]。也已經(jīng)有工作把上述的壓縮，剪枝，參數(shù)貢獻(xiàn)融合在一個(gè)統(tǒng)一的流程中[24]。

也有一些新興的工作，將稀疏約束（sparsity constraints）加入到CNN的訓(xùn)練中[25-28]。大大減少了卷積核的數(shù)量，甚至是層數(shù)。

缺點(diǎn) 剪枝有很多需要手動(dòng)調(diào)整的地方，對于某些應(yīng)用場景來說太復(fù)雜了。

由于全連接層的參數(shù)過多，而且f(x,M) = σ(Mx)，這里的σ(·)不是一個(gè)線性變化（因?yàn)橐肓藢娱g的非線性變換，如Relu），是對于每個(gè)元素特異的變換。

也就是說本來這個(gè)矩陣中每個(gè)值之間完全沒有關(guān)系，我就得把每個(gè)值都單獨(dú)存下來，計(jì)算量也是O(mn)?，F(xiàn)在我創(chuàng)建一種關(guān)系來約束部分的參數(shù)，那我只需要存這個(gè)關(guān)系就好了，不用存那么多值了。

缺點(diǎn) 人為地進(jìn)行約束會(huì)降低模型地準(zhǔn)確率，而且對特定任務(wù)找到合適的約束關(guān)系本身就很難，現(xiàn)在還沒有一種靠譜的理論來定位這個(gè)約束關(guān)系。

這個(gè)方法的核心是對卷積核進(jìn)行低秩分解，分解之后重要的信息被保留下來，計(jì)算的速度也提高了。

對于預(yù)訓(xùn)練的模型，可以一層一層的分解卷積核，分解完一層之后這層的參數(shù)就固定了，但是因?yàn)闀?huì)有損失，下一層要先繼續(xù)調(diào)參，再分解。

也有人提出基于低秩因子分解從頭訓(xùn)練的做法[40]。Canonical Polyadic (CP)[39]，Batch Normalization (BN)[40]這兩種方法都可以做分解，效果都很好，但是前者存在有時(shí)候找不到一個(gè)最優(yōu)的秩（best rank-K）的情況。具體是什么數(shù)學(xué)方法沒有看。

全連接層是二維的矩陣，同樣也可以用這種方法進(jìn)行降維。

缺點(diǎn) 分解本身需要的計(jì)算量很大；只能逐層分解，不能進(jìn)行全局的優(yōu)化；為了達(dá)到跟原模型相近的效果，需要重新訓(xùn)練的量較大（因?yàn)槊恳粚臃纸庵蠖家匦抡{(diào)參）。

（這句話也沒有引用，但是感覺說的挺有道理在這里存?zhèn)€檔。）

這個(gè)方法的核心思想其實(shí)跟結(jié)構(gòu)矩陣挺像的，只不過這個(gè)方法是針對卷積層做的處理。

由于卷積層中有大量的卷積核，如果對他們進(jìn)行隨機(jī)的初始化，會(huì)發(fā)現(xiàn)最后訓(xùn)練出來也有很多的冗余。比如，有一些卷積核，是另一些卷積核的-1倍。這樣我們還不如在一開始定義一些卷積核的約束規(guī)則，比如直接定義有一些核是另一些的-1倍[45]。（文獻(xiàn)中的方程4）

反正定不定義訓(xùn)練出來都是類似的特征，為什么要定義這個(gè)約束呢？當(dāng)然是首先節(jié)省了儲(chǔ)存卷積核的空間，同時(shí)也節(jié)省了訓(xùn)練所需要的計(jì)算量。

雖然理論上不知道為什么，但是實(shí)際訓(xùn)練顯示，如果卷積核之間有些關(guān)聯(lián)的話效果甚至?xí)谩?/p>

缺點(diǎn)

這個(gè)方法對比較寬的淺層網(wǎng)絡(luò)（e.g. VGG）效果較好，但是對窄而深的網(wǎng)絡(luò)（e.g. GoogleNet，Residual Net）效果不好。另外，這種約束定義之后有時(shí)候會(huì)造成訓(xùn)練結(jié)果的不穩(wěn)定。

要把一個(gè)復(fù)雜模型進(jìn)行壓縮，有人想到可以通過遷移的方法來把核心信息提取出來，但是之前這個(gè)方法只限于在淺層模型上操作[50]。

知識(shí)蒸餾這個(gè)概念是后來提出來的，它把復(fù)雜模型比作老師，目標(biāo)的壓縮模型，即簡單模型比作學(xué)生，把老師的知識(shí)遷移到學(xué)生身上，并讓學(xué)生在處理問題上的表現(xiàn)盡可能去逼近老師，就是知識(shí)蒸餾的核心算法。

數(shù)學(xué)方法的主要步驟就是，把學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)的輸出結(jié)果看成兩個(gè)分布，我要讓這兩個(gè)分布盡可能的接近。那么我首先要把輸出結(jié)果（例如代表A類的輸出神經(jīng)元的值為0.8，B類的0.2，C類的0.2）轉(zhuǎn)化為標(biāo)準(zhǔn)化的分布，并且我想盡可能突出最大值。這里就用到softmax函數(shù)，把輸出結(jié)果映射到（0，1）上的分布，并且讓值的和為1。

接下來我要基于當(dāng)前兩個(gè)分布的差異，來定義一個(gè)損失函數(shù)，我的目標(biāo)就是讓這個(gè)損失盡可能的小。這里常用的損失函數(shù)就是交叉熵?fù)p失函數(shù)（CrossEntropy Loss）。

一般我們用KL散度的值表示倆概率分布之間的差異，而交叉熵是等于KL散度加上一個(gè)常量（信息熵），其公式相比KL散度更容易計(jì)算，因此在機(jī)器學(xué)習(xí)中常常使用交叉熵?fù)p失函數(shù)而不是KL散度。

現(xiàn)有的KD算法中，F(xiàn)itNets[53] 提出如何將寬而淺的模型，壓縮成窄而深的模型。這些算法在各大數(shù)據(jù)集（e.g. MNIST, CIFAR-10, CIFAR-100, SVHN, AFLW) 都得到了有效的驗(yàn)證，學(xué)生網(wǎng)絡(luò)有的時(shí)候甚至比老師網(wǎng)絡(luò)的效果更好。

之后的工作[54-57]進(jìn)一步優(yōu)化了這個(gè)算法的計(jì)算速度，或是尋找一下更寬松的訓(xùn)練條件（e.g. Attention Transfer (AT) [57]），又能達(dá)到相近的效果。

缺點(diǎn) 這個(gè)方法只能用在用softmax+crossentrophy loss訓(xùn)練的網(wǎng)絡(luò)上，所以也有一些局限。另一方面，這個(gè)方法有時(shí)候約束條件太嚴(yán)格了，不一定訓(xùn)練得出來。

基于注意的算法是最近比較新的趨勢，它的核心思想是，在訓(xùn)練時(shí)，選擇性地關(guān)注那些和任務(wù)相關(guān)的網(wǎng)絡(luò)結(jié)構(gòu)，而不是整個(gè)網(wǎng)絡(luò)，通過這種方式來大幅節(jié)省計(jì)算量。

Dynamic capacity network (DCN) [59] 的設(shè)計(jì)包括了兩個(gè)網(wǎng)絡(luò)，一個(gè)小型網(wǎng)絡(luò)和一個(gè)大型網(wǎng)絡(luò)，訓(xùn)練數(shù)據(jù)先經(jīng)過小網(wǎng)絡(luò)，確定一下主要激活的是哪些區(qū)域，然后再喂給大網(wǎng)絡(luò)，這時(shí)只需計(jì)算那些重要區(qū)域的權(quán)重就可以了。

Sparsely-gated mixture-of-experts Layer (MoE) [60] 的思想也是只計(jì)算那些重要的梯度，這個(gè)MoE模塊是由很多個(gè)專家網(wǎng)絡(luò)構(gòu)成的，并且另外有一個(gè)負(fù)責(zé)做選擇的網(wǎng)絡(luò)，通過訓(xùn)練它可以對不同的輸入數(shù)據(jù)，選擇不同的專家網(wǎng)絡(luò)的組合來學(xué)習(xí)。

針對殘差網(wǎng)絡(luò)的壓縮，也有幾項(xiàng)研究提出隨機(jī)深度（stochastic depth）的算法[63-65]，相當(dāng)于對于每個(gè)輸入數(shù)據(jù)（batch），隨機(jī)（或者根據(jù)某種規(guī)則）抽掉幾層網(wǎng)絡(luò)進(jìn)行訓(xùn)練。（感覺跟dropout差不多）

還有一些研究對池化層（pooling）進(jìn)行優(yōu)化，但是僅僅是提高計(jì)算速度，沒有壓縮空間。

壓縮工作要基于一些基準(zhǔn)的模型進(jìn)行改進(jìn)，或者跟他們的效果進(jìn)行比較，現(xiàn)有的一些基準(zhǔn)模型大概如表格所列。

評(píng)估一個(gè)壓縮工作的效果主要是兩方面，空間的壓縮程度和計(jì)算速度的提升程度。這兩方面分別由 壓縮率（compression rate） 和 加速率（speedup rate） 。

壓縮率是用基準(zhǔn)模型的參數(shù)量a，除以壓縮后模型的參數(shù)量a*得到的。（也有用右邊這種的）

加速率則是用基準(zhǔn)模型需要的訓(xùn)練時(shí)間s，除以壓縮后模型的訓(xùn)練時(shí)間s*得到的。

對于小模型來說，這兩個(gè)評(píng)估指標(biāo)通常是高度相關(guān)的。但是不同的模型這兩個(gè)指標(biāo)的關(guān)系也會(huì)有差異。比如圖像處理的CNN，它主要是剛開始幾層的大量卷積操作，浮點(diǎn)數(shù)計(jì)算比較耗時(shí)間。但有些DNN（幾百層的）很瘦的，主要是全連接層的參數(shù)占據(jù)了大多數(shù)的空間和時(shí)間。

總的來說并沒有一個(gè)統(tǒng)一的準(zhǔn)則，而是根據(jù)具體的應(yīng)用場景來的。作者提供了一些參考建議。

目前對于深度網(wǎng)絡(luò)的壓縮算法還處于一個(gè)比較初級(jí)的階段，面臨很多的困難和挑戰(zhàn)。

三、XLNet 詳解

BERT 訓(xùn)練時(shí)將部分單詞 mask 起來，使模型能夠利用句子雙向的信息，在很多 NLU 任務(wù)上取得很好的效果。但是 BERT 忽略了 mask 單詞之間的關(guān)系，且微調(diào)過程與預(yù)訓(xùn)練過程不一致 (微調(diào)時(shí)沒有 mask 的單詞)。XLNet 采用了 PLM (Permutation Language Model) ，將句子隨機(jī)排列，然后用自回歸的方法訓(xùn)練，從而獲得雙向信息并且可以學(xué)習(xí) token 之間的依賴關(guān)系。另外 XLNet 使用了 Transformer-XL，使用了更廣闊的上下文信息。

XLNet 論文中首先提出了一種比較有意思的觀點(diǎn)，將當(dāng)前預(yù)訓(xùn)練模型分為了兩類 AR (Auto Regression，自回歸) 和 AE (Auto Encoder，自編碼器)。

GPT 就是一種 AR 方法，不斷地使用當(dāng)前得到的信息預(yù)測下一個(gè)輸出 (自回歸)。而 BERT 是一種 AE 方法，將輸入句子的某些單詞 mask 掉，然后再通過 BERT 還原數(shù)據(jù)，這一過程類似去噪自編碼器 (Denoising AutoEncoder，DAE)。不熟悉 GPT 和 BERT 的童鞋可以參考前面的文章，《OpenAI GPT 和 GPT2 模型詳解》和《徹底理解 Google BERT 模型》。

AR 的方法可以更好地學(xué)習(xí) token 之間的依賴關(guān)系，而 AE 的方法可以更好地利用深層的雙向信息。因此 XLNet 希望將 AR 和 AE 兩種方法的優(yōu)點(diǎn)結(jié)合起來，XLNet 使用了 Permutation Language Model (PLM) 實(shí)現(xiàn)這一目的。

Permutation 指排列組合的意思，XLNet 將句子中的 token 隨機(jī)排列，然后采用 AR 的方式預(yù)測末尾的幾個(gè) token。這樣一來，在預(yù)測 token 的時(shí)候就可以同時(shí)利用該 token 雙向的信息，并且能學(xué)到 token 間的依賴，如下圖所示。

接下來介紹 XLNet 中的實(shí)現(xiàn)細(xì)節(jié)，其中 XLNet 為了實(shí)現(xiàn) PLM，提出了 Two-Stream Self-Attention 和 Partial Prediction。另外 XLNet 還使用了 Transformer-XL 中的 Segment Recurrence Mechanism 和 Relative Positional Encoding，不熟悉 Transformer-XL 的童鞋可以參考前面的文章，《Transformer-XL 語言模型》。

PLM (Permutation Language Model) 是 XLNet 的核心思想，首先將句子的 token 隨機(jī)排列，然后采用 AR 的方式預(yù)測句子末尾的單詞，這樣 XLNet 即可同時(shí)擁有 AE 和 AR 的優(yōu)勢。

XLNet 中通過 Attention Mask 實(shí)現(xiàn) PLM，而無需真正修改句子 token 的順序。 例如原來的句子是 [1,2,3,4]，如果隨機(jī)生成的序列時(shí) [3,2,4,1]，則輸入到 XLNet 的句子仍然是 [1,2,3,4]，但是掩碼需要修改成下圖。

圖中的掩碼矩陣，紅色表示不遮掩，白色表示遮掩。第 1 行表示 token 1 的掩碼，可以看到，1 是句子的最后一個(gè) token，因此可以看到之前的所有 token (3,2,4)。3 是句子的第一個(gè) token，看不到句子的任何信息，因此第 3 行都是白色的 (表示遮掩)。

Two-Stream 概念

XLNet 打亂了句子的順序，這時(shí)在預(yù)測的時(shí)候 token 的位置信息會(huì)非常重要，同時(shí)在預(yù)測的時(shí)候也必須將 token 的內(nèi)容信息遮掩起來 (否則輸入包含了要預(yù)測的內(nèi)容信息，模型就無法學(xué)到知識(shí))。 也就是說 XLNet 需要看到 token 的位置信息，但是又不能看到 token 的內(nèi)容信息 ，因此 XLNet 采用了兩個(gè) Stream 實(shí)現(xiàn)這一目的：

Query Stream 計(jì)算

Query Stream 用 g 表示，Content Stream 用 h 表示，使用 Query Stream 對要預(yù)測的位置進(jìn)行預(yù)測的時(shí)候，Q (Query) 向量是用 g 計(jì)算得到的，包含該位置的位置信息，而 K (Key) 和 V (Value) 是用 h 計(jì)算的，包含其他 token 的內(nèi)容信息。下圖展示了如何通過當(dāng)前層的 g 計(jì)算下一層 g 的過程，圖中的排列是 [3,2,4,1]，計(jì)算的 token 是 1。

可以看到在計(jì)算 token 1 的 Q 向量時(shí)，只使用了 token 1 的 Query Stream g ，即模型只得到 token 1 的位置信息。而向量 K，V 使用 token 3, 2, 4 進(jìn)行計(jì)算，所以模型可以得到 token 3, 2, 4 的內(nèi)容信息。因?yàn)?token 1 是排列 [3,2,4,1] 的最后一位。這一個(gè)過程的掩碼矩陣和上一節(jié)的是一樣的，對角線上都為白色，即遮掩當(dāng)前預(yù)測位置的內(nèi)容信息 h 。

Content Stream 計(jì)算

Content Stream 包含了 token 的內(nèi)容信息，因?yàn)?XLNet 的層數(shù)很多，需要將 token 的內(nèi)容傳遞到下一層。這一層的 Q, K, V 都是利用 h 計(jì)算的。Content Stream 的計(jì)算如下圖所示。

可以看到，在計(jì)算下一層的 h1 時(shí)，也會(huì)利用 token 1 當(dāng)前的內(nèi)容信息，這樣就可以將 token 的內(nèi)容傳遞到下一層，但是注意 XLNet 在預(yù)測時(shí)只是用 g (Query Stream)。計(jì)算 Content Stream 時(shí)候的掩碼矩陣如下圖所示。

和 Query Stream 的掩碼矩陣區(qū)別在于對角線，Content Stream 不遮掩對角線，使得當(dāng)前 token 的信息可以傳遞到下一層。

Query Stream 和 Content Stream 組合

XLNet 將 Query Stream 和 Content Stream 組合在一起，如下圖所示。

圖中最下面的一層是輸入層，其中 e(x) 是單詞的詞向量，表示輸入的 Content Stream，而 w 表示輸入的位置信息，即 Query Stream。

XLNet 將句子重新排列，然后根據(jù)排列后的順序使用 AR 方式預(yù)測，但是由于句子是隨機(jī)排列的，會(huì)導(dǎo)致優(yōu)化比較困難且收斂速度慢。因此 XLNet 采用了 Partial Prediction (部分預(yù)測) 的方式進(jìn)行訓(xùn)練，對于排列后的句子，只預(yù)測句子末尾的 1/K 個(gè) token。

例如 K=4，就是只預(yù)測最后 1/4 的 token。給定句子 [1,2,3,4,5,6,7,8] 和一種隨機(jī)排列 [2,8,3,4,5,1,7,6]，則只預(yù)測 7 和 6。論文中訓(xùn)練 XLNet-Large 時(shí)使用的 K 為 6，大約是預(yù)測末尾 14.3% 的 token。

XLNet 使用了 Transformer-XL 中的 Segment Recurrence Mechanism (段循環(huán)) 和 Relative Positional Encoding (相對位置編碼) 進(jìn)行優(yōu)化。

Segment Recurrence Mechanism 段循環(huán)的機(jī)制會(huì)將上一段文本輸出的信息保存下來，用于當(dāng)前文本的計(jì)算，使模型可以擁有更廣闊的上下文信息。

在引入上一段信息后，可能會(huì)有兩個(gè) token 擁有相同的位置信息，例如上一段的第一個(gè)單詞和當(dāng)前段的第一個(gè)單詞位置信息都是一樣的。因此 Transformer-XL 采用了 Relative Positional Encoding (相對位置編碼) ，不使用固定的位置，而是采用單詞之間的相對位置進(jìn)行編碼。在之前的文章《Transformer-XL 語言模型》中有比較詳細(xì)的介紹，感興趣的童鞋可以參考一下。

XLNet 使用了 Transformer-XL 后如下圖所示。 mem 表示的就是前一個(gè) XLNet 段的內(nèi)容信息，而 XLNet 中輸入的 Query Stream 為 w，保存位置信息，采用的是 Relative Positional Encoding。

XLNet 希望像 BERT 一樣采用 [A, SEP, B, SEP, CLS] 的形式處理句子任務(wù)，在 BERT 中有兩個(gè)表征向量 EA 和 EB 分別表示句子 A 和 B。但是 XLNet 采用 Transformer-XL 的段循環(huán)機(jī)制后會(huì)出現(xiàn)問題，兩個(gè)段都有句子 A 和 B，則兩個(gè)句子 A 屬于不同的段，但是卻會(huì)有相同的 Segment 向量。

XLNet 提出了 Relative Segment Encodings，對于每一個(gè) attention head 都添加 3 個(gè)可訓(xùn)練的向量 s+ , s- , b ，然后利用以下公式計(jì)算 attention score。

其中 q 就是 Query 向量，這個(gè)計(jì)算得到的 attention score 會(huì)加到原來的 attention score 上，再計(jì)算 softmax。Relative Segment Encodings 加上了一個(gè)偏置向量 b ，同時(shí) Relative Segment Encodings 也可以用于一些超過兩段輸入句子的任務(wù)上。

XLNet 的核心思想是 PLM，排列原來的句子，然后預(yù)測末尾的單詞。這樣可以學(xué)習(xí)到單詞之間的依賴關(guān)系，而且可以利用 token 前后向的信息。

XLNet PLM 的實(shí)現(xiàn)需要用到 Two-Stream Self-Attention，包含兩個(gè) Stream，Query Stream 用于預(yù)測，只包含當(dāng)前位置的位置信息。而 Content Stream 保存了 token 的內(nèi)容。

XLNet 還使用了 Transformer-XL 的優(yōu)化方式。

XLNet: Generalized Autoregressive Pretraining for Language Understanding

四、如何應(yīng)用預(yù)訓(xùn)練模型

比如inageNet 多分類圖像預(yù)訓(xùn)練模型。下游任務(wù)是貓和狗的二分類。

使用預(yù)訓(xùn)練模型，直接將最后一層多分類修改成二分類即可。

使用預(yù)訓(xùn)練模型，凍結(jié)n-k層， fine-tune k層權(quán)重

使用預(yù)訓(xùn)練模型，fine-tune 所有權(quán)重

適合使用預(yù)訓(xùn)練模型，建議重新訓(xùn)練模型 <script type="text/javascript" src="https://jss.51dongshi.com/hz/521ucom/nrhou.js"></script>

以上就是關(guān)于預(yù)訓(xùn)練模型和自己訓(xùn)練的模型區(qū)別相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。