论文：https://arxiv.org/abs/1810.04805
定义：
BERT（Bidirectional Encoder Representations from Transformers）是一种自然语言处理（NLP）中的预训练模型，由Google在2018年提出。BERT的关键创新是使用双向（bidirectional）的Transformer编码器来学习上下文中的单词表示，而不是传统的单向模型。这使得BERT能够更好地理解语境，从而在各种NLP任务中取得了显著的性能提升
BERT模型的训练分为两个阶段：预训练(Pre-training)和微调(Fine-Tuning)。在预训练阶段，BERT模型通过大规模的无标签文本数据学习单词的上下文表示。然后，在微调阶段，使用有标签的任务特定数据对模型进行微调，以适应特定的NLP任务，如文本分类、命名实体识别、问答等
bert和transformer有什么关系
结构：
例子：
1.Token Embeddings（标记嵌入）： 对于输入文本中的每个单词或子词，BERT使用嵌入向量来表示。这些嵌入向量捕捉了单词在语义空间中的表示，通常是通过预训练的词嵌入模型（如Word2Vec、GloVe）得到的。
2.Segmentation Embeddings（分割嵌入）： BERT的输入可能包含来自不同句子或段落的文本。为了区分这些不同的文本段，BERT引入了分割嵌入。对于每个单词的嵌入向量，都会加上一个分割嵌入，以指示该单词属于哪个句子或段落。
3.Position Embeddings（位置嵌入）： Transformer模型本身不考虑单词的位置信息，因此BERT引入了位置嵌入来表示单词在句子中的位置。这是通过将每个单词的位置信息嵌入到向量中实现的。这是因为在Transformer中，输入序列的位置信息是被忽略的，而BERT通过添加位置嵌入来纠正这一不足。
对比：
