embedding到一个低维向量，但是需要回到onehot高维表示，所以大部分填词游戏最后都需要加上一个MLP接头。

word2vec如此简单的结构，学习到的是embedding

基于计数的统计方法和word2vec融合就形成了glove词嵌入模型

总结：通过各种填词游戏训练最后得到好的embedding

使用负采样代替大矩阵乘法+softmax的大量计算（抽列+sigmoid）

负采样：使用二分类拟合多分类  只计算出一个值即可？接上sigmoid计算二分类loss？什么垃圾

因此，所有的多分类都可以使用二分类简化，因为softmax和sigmoid本质也一样

负采样：对负例样本进行采样：比如一个+，100个-，代替一个+，999999个-

负采样对语料库中的高频词进行，直观上合理，但是数学上为什么合理？

一般word embedding和特定任务的训练是分开的（即迁移学习），但是也可以一起。

woman-queen=man-?这种问题就是来评估embedding效果的，直接vec-vec查看即可

skip-gram比CBOW好，难以直观理解

RNN天然携带position信息，还可以处理无限长的序列；(RNN是语言模型，即计算条件概率P(next|past1, past2, past3)，进而计算P(sentence))

transformer由于attention算法没有考虑位置信息，所以需要position embedding

关于RNN的一切：

RNN只是个数据融合器/有限状态机，顾名思义隐含向量叫做状态，保存了前文综合信息，仅此而已。

做预测还需要接上奶嘴MLP。

embedding  RNN  和奶嘴MLP网络是割裂的三个层次，积木拼在一起。

所以RNNLSTM只是一个信息融合机，和预测下一个词等应用完全无关。

没有什么teacher forcing问题。

hidden = hidden.detach()让hidden忘掉了他是从哪里计算得来的，于是再使用hidden进行运算，hidden就会被当作新的独立变量，它的祖先也就得不到梯度更新了。（truncated BPTT）

预测下一个词的模型的评价指标：困惑度=e^Loss（困惑度本质就是loss罢了）

困惑度的物理意义：困惑度表示“概率的倒数”（正确标签对应的概率倒数），也可以解释为分叉度，即有几个分叉选择

RNN为什么不擅长长时记忆？答：BPTT会发生梯度消失/爆炸

RNN通过向过去传递梯度，学习长时依赖关系，但是中间发生了梯度消失/爆炸，于是学不到长期关系。（RNN如何学习长期关系？答：通过向很长时间以前的时刻传递梯度）

梯度消失原因：1.反复经过激活函数（tanh两边都趋于0，所以反向经过一次就会梯度变小）

梯度消失/爆炸的原因：2.反向传播每个时间RNN层中的梯度都乘以相同的权重矩阵，于是爆炸/消失

梯度爆炸的应对策略：梯度裁剪

梯度消失的解决方案：LSTM

原因：化矩阵乘积为哈达玛元素乘积，且每次向量不一样，不会出现累积效应