prompt的意义：
以前使用预训练模型都是Pre-train，Fine-tune的模式，这种模式的缺点就是当存在多个下游任务时，需要在上游复制多个模型，因为fine-tune后它们的参数因任务不同而不同。
如果有10个下游任务就要存储并训练10个上游模型，这样就很占空间和资源。
prompt采用Pre-trian，Prompt-tune的方式，上游的预训练模型不变，让下游的任务去适配上游。节省了空间和资源。
prompt的结构：
prompt包含两部分：template和verbalizer。
template负责让模型认识到这是什么任务，然后输出比如it is good，verbalizer就负责将这个good转化成对应的结果：positive。
AutoPrompt
trigger训练的那个语料来自下游任务相关的数据集。比如任务是情感分析，他就分析大量情感分析的数据集，按loss对每个词的一阶导，得到对这个任务最关键的那些词。
这些词只要加入模型里，模型就一定会输出固定的东西。比如检测到great就一定会输出positive，这种标志性的词。
那他针对一个任务，训练出最标志性的词，然后将他们作为prompt模板，这样就是机器认识这是什么任务，人类可能根本看不懂这个prompt句子（比如sentiment think is thought MASK，这个语法上不成句，但是是由一堆标志性的词组成，模型一定认识是个情感分析任务）
AutoPrompt & LM-BFF
首先用AutoPrompt搜索出来一组token作为template输入。
比如the capital of Japan is MASK。
以前的模型效果不好，就换模板，the city of Japan is MASK。
他提出来直接训练模板的embedding。因为模板：the capital of … is 都是一系列的embedding嘛，他直接训练这个embedding。
不过这个文章缺点在于他用的是最初的PET的方法来训练，也就是prompt模板是手工指定的。
prefix-tuning
直接固定PLM的参数，只训练prompt的参数。所以比如有10个下游任务，我们只需要训练10种prompt就可以了，大大减少了参数数量。
其实我们模型占显存的主要部分不是参数，而是参数的中间变量。比如要进行梯度回传，我们要保存所有中间变量的梯度，这个是最占资源的。而这个方法的优势就是大量的参数是在PLM中的，而他的参数是固定的，所以不用梯度回传，不用保存中间变量。大大节省资源。
P-Tuning v2
思路很简单，就是more parameters。
就是在中间层，给prompt部分，concatente几个embedding。
所以self-attention的个数增加了，大小没变。
相当于输入的prompt变长了，但是为什么不在输入端改呢？因为层数越靠后，效果越显著。在输入端优化，传到末端基本都没了。
大概的流程：一开始初始化ptompt embedding，然后去训，发现效果不好。然后用这个embedding去与其他任务的prompt embedding做一个余弦相似度判断，找出最相似的那个，然后作为新的初始化再进行训练，然后效果好很多。
CPT
task是一个问题：比如the horse watched by the woman，要指出是那一匹马。
我们有prompt方法，可以用mask预测遮掉的词。但是我们现在要预测视觉内容（是哪一匹马），所以他把所有的对象染上颜色，然后用分类判定这个mask的是什么颜色。
一个领域每周一两百篇文章，一个人是不可能读的完的。所以要进入一个领域，一定要组团做，大家一起读。