1、了解迁移学习中的有关概念

1.1、预训练模型（pretrained model)

一般情况下预训练模型都是大型模型，具备复杂的网络结构，众多的参数量，以及在足够大的数据集下进行训练而产生的模型。在NLP领域，预训练模型往往是语言模型，因为语言模型的训练是无监督的，可以获得大规模语料，同时语言模型又是许多典型的NLP任务的基础，如机器翻译、文本生成、阅读理解等。常见的预训练模型有BERT,GPT,roBERTa,transformer-XL等。

1.2、微调（Fine-tuning)

根据给定的预训练模型，改变它的部分参数或者为其新增部分输出结构后，通过在小部分数据集上训练，来使整个模型更好的适用特定任务

1.3、微调脚本(Fine-tuning script)

实现微调过程的代码文件。这些脚本文件中，应包括对预训练模型的调用，对微调参数的选定以及对微调结构的更改等。同时，因为微调是一个训练过程，她同样需要一些超参数的设定，以及损失函数和优化器的选取等，因此微调脚本往往也包含了整个迁移学习的过程。

1.4、关于微调脚本的说明

一般情况下，微调脚本应该由不同的任务类型开发者自己编写，但是由于目前研究NLP任务类型（分类、提取、生成）以及对应的微调输出结构都是有限的，有些微调方式已经在很多数据集上被验证有效的，因此微调脚本也可以使用已经完成的规范脚本

2、两种迁移方式

直接使用预训练模型，进行相同任务的处理，不需要调整参数或模型结构，这些模型开箱即用。但是这种情况一般只适用于普适任务。如fasttest工具包预训练的词向量模型。另外，很多预训练模型开发者为了达到开箱即用的效果，将模型结构分各个部分保存为不同的预训练模型，提供对应的加载方法来完成特定目标。

更加主流的迁移学习方式是发挥预训练模型特征抽象的能力，然后再通过微调的方式，通过训练更新小部分参数以此来适应不同的任务。这种迁移方式需要提供小部分的标注数据来进行监督学习。

说明：

直接使用预训练模型的方式，已经在fasttext的词向量迁移中学习。

3、NLP中标准数据集

NLP中GLUE标准数据集合的介绍

GLUE是由纽约大学，华盛顿大学，google联合推出，涵盖不同NLP任务类型，截至至2020年1月，其中包含11个子任务数据集，成为衡量NLP研究发展的衡量标准。

GLUE数据集包含以下数据集

• CoLA 数据集
• SST-2 数据集
• MRPC 数据集
• STS-B 数据集
• QQP 数据集
• MNLI 数据集
• SNLI 数据集
• QNLI 数据集
• RTE 数据集
• WNLI 数据集
• diagnostics数据集(官方未完善)

下载数据集