课程秉承了“实战”风，老师简单理了一下NLP模型发展脉络，每个时期代表模型的优缺点，就一猛子扎进了BERT的关键技术——Transformer和Attention工作机制，于是编码解码、Query、Key、Values、Embedding、Softmax、矩阵运算带着满满的优越感向我碾压过来。算了，既然这是实战课，理论的问题就不要深究了吧，只要知道BERT是两步训练，知道如何使用ModelArts得到分类结果和评估，就达到今天学习的目的了。

作业过程

这次课后作业比第一课难度低了很多。这主要得益于ModelArts提供了线上训练环境，免除了在本地搭建环境的痛苦。另外教辅材料准备都十分到位——预训练模型、微调模型、训练数据集、微调和评估代码，还有详细的作业指南一应俱全。

BERT工作流程及本次课程作业

• 体验作业：要求对调优模型的分类结果进行评估，只需要上传数据集、模型、脚本，指定输出文件的位置，提交任务，就可以让ModelArts干活了。评估结果会记录在日志文件里，日志文件可以在线浏览，也可以下载到本地。运行时间也只需要短短1~2分钟。

• 进阶作业：复杂一点，第一步先调优，要把预训练的模型参数应用到TNEWS数据集做训练，再按照体验作业的过程对调优的结果进行评估。第一步调优运行14分钟，第二步评估仍然只需要1-2分钟。

• 老师提供的作业指南在附件里。作业过程当中文件上传遇到点状况。由于bert_base.ckpt文件超过1GB，我琢磨在上传这个文件的当口不如去设置参数。于是我把上传任务启动后就返回（是在同一个标签下返回）MobelArts配置算法来源、数据来源、运行参数等等，用不了5分钟就都配置好了。我再去obs检查数据集目录，没有这个文件，而且在控制台中也找不到查看文件传输进度的功能。后来在“任务管理”帮助文件里了解到，上传过程中不能关闭网页，否则记录会丢失。虽然文档没有说任务本身会丢失，但是后来再传输文件的时候，我会单独打开一个标签专门用于文件传输。

• 费用也是我担心的一个问题。课前看过华为云应用的报价，动辄几千几万，好有冲击力。不过我只是想了解一下MindSpore，又不是上线企业应用，花费太高可承受不 了。老师讲ModelArts在公测阶段可以免费使用，只是赶上业务量大的时候需要排队。模型、数据集和代码需要用obs存储，用量少的话也是免费的。听老师这样说我就放心了。完成作业的第二天，我成功收到了华为云费用账单：

想想占用了人家差不多2GB的存储容量，才花5毛7分钱人民币，学习成本并不高，完全能接受。

写在最后

老师讲的NLP算法演进历史虽然不是重点，但是我觉得深入了解一个领域的发展过程是很必要的。只有知道以前人们是怎么应对挑战的，以及如何改进的，才有可能理解最新的成果为什么是这个样，以及如何更好加以运用。我理解实战课时间有限，能讲到已经非常好了。加深了解是课后做的事情。

老师讲的NLP发展简史。尽量记录，但是还不能理解

第一次亲手“全程”操作一个训练任务，我对算法过程产生了一些联想。

首先是关于“学习”这件事。老师讲当前TNEWS分类最高的准确率57%。我觉得这样的成绩没有实用价值。问题会不会出在数据上呢？看统计学习方法有一个假设叫独立同分布。我不知道深度学习还需不需要这个假设。因为BERT学习包括预训练和调优两个阶段，而预训练使用的是一个超级大的通用语料库（华为使用的是中文维基。据说谷歌最早使用了英文维基），调优是把从预训练中得到的参数，应用到另外一个数据集（实验中用的是TNEWS数据集）上，再生成一组新的参数。我猜这两个数据集的差异很大。怎么测量这种差异我还没有概念，不过可以类比一下，让老中医去按西医的方法给病人开刀一定不会有好结果。我觉得在预训练的时候把领域知识带进去，实际应用的效果会有提高，比如用各类媒体发表过的标题作为预训练的数据集，再对今日头条的新闻标题做分类，准确率应该会有很大的提高。这个问题以后有机会要实际验证一下。

其次是关于“算法设计”这件事。BERT一出山就刷新了很多NLP任务的成绩很了不起，但是在创新性方面，感觉Transformer的贡献似乎更大。而相对于Word2Vec来说，从Seq2Seq到Transformer开创的东西似乎并不多，每一代新模型都是对前辈的修补。这是不是说模型开发基本是经验驱动的，尝试的作用很大（模型改进是不是就是传说中的“炼丹”）？就好比积木块都一样，只是用不同的方法把它们连接成不同的样子，然后看看力量是不是加强了，加强的就留下变成新擂主。至于为什么加强的，可能还是没搞清楚。感觉这又有点像老中医，说不清药物为什么起了效，如果非要说，他会扯一堆天地人，精气神，七经八脉之类的无法实证的东西。如果是这样的话，那么算力的作用就非常大了，因为只有算力够强，迭代的速度才够快，练丹师傅才能更快发现哪个模型力气大。

最后是关于“算法实现”这件事。感觉实现是很难的。一个算子后面涉及多少数据转换，多少矩阵运算，多少微分，加乘。假如是自己去实现一个算法，又要学习多少数学，又要知道多少驱动硬件的知识。实在太难。而且，最最要命的是，知识量往往是天花板。我亲身经过过一次。大约半年前自学CS231，做multiclass SVM Loss作业，我只想到用数值计算的方法实现求导，一个循环要6分多钟。能做出来感觉挺好，但是觉得这么慢不对劲。后来看Github上一位MahanFathi的作业，人家用解析法，代码量是我的1/20，只用几秒钟就能跑一个循环。我信心碎一地，至今不碰CS231，除非有高人带。所以我觉得有MindSpore真好，计算这种工作让它做好了，我就想想网络搭几层，怎么连接就行了吧。

机器学习一小白，胡思乱想净瞎猜。欢迎大佬指导。

前课笔记：

MindSpore21天实战营手记（一）：基于MindSpore Lite开发端侧AI图像分类应用

有大神打比赛，求带。哪里写得不对，请大牛指教。欢迎加微信

转自文章链接：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=84847

感谢作者的努力与分享，侵权立删！