bert中的其他特殊编码
为什么要其他的特殊编码呢？
首先回顾下cls是做什么的：
-
[CLS]单文本分类任务：对于文本分类任务，BERT模型在文本前插入一个[CLS]符号，并将该符号对应的输出向量作为整篇文本的语义表示，用于文本分类。可以理解为：与文本中已有的其它字/词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个字/词的语义信息。（CLS不是第一个句子的表征，是一个分类标志位。经过self attention 可以融合两个句子和分类相关的信息，然后用在预训练或者后续任务分类上)。
-
[SEP]语句对分类任务：该任务的实际应用场景包括：问答（判断一个问题与一个答案是否匹配）、语句匹配（两句话是否表达同一个意思）等。对于该任务，BERT模型除了添加[CLS]符号并将对应的输出作为文本的语义表示，还对输入的两句话用一个[SEP]符号作分割，并分别对两句话附加两个不同的文本向量以作区分，Mr_不想起床
还有两个特殊的分别是unknown和mask
[UNK]标志指的是未知字符
[MASK]标志用于遮盖句子中的一些单词，将单词用 [MASK] 遮盖之后，再利用 BERT 输出的 [MASK] 向量预测单词是什么。
其他特殊token
pinyin token。
全词embedding，这个可以看考chinesebert的结构了。
笔者觉得，Google的原生bert也好，还是其他的各种预训练骚操作也好，基本上一问世就是英文预训练，即使想huggface上开源的中文，也和实际中的预料相差较大，替换各种魔改的bert（roberta，xlnet，t5，pangu，spanbert等等不如拿自己的预料做continue pretrian效果提升的多）
如有不对的地方，欢迎批评指教，