适合人群：
在校学生：如果你是在校学生，对AI有浓厚兴趣，并希望通过学习相关内容增强自己的实践能力，以便在未来的实习或工作中脱颖而出，那么大模型的知识将是你简历上的一大亮点。
职场新人：对于那些刚刚步入职场不久的同学，如果你想通过掌握大模型技术来提升自己的职业竞争力，无论是为了升职加薪还是寻求更好的职业发展机会，这部分内容都将是你的宝贵资产。
追求效率者：如果你希望通过“偷懒”来节省时间，获取整理好的大模型面试资料和信息，以便更高效地准备面试或学习，那么这些资源将是你的得力助手。
经验交流者：渴望与行业内的专业人士近距离交流，汲取更多实战经验，获取第一手行业信息的人群，也将从这些内容中受益匪浅。
不适合人群：
自主学习强者：对于那些已经拥有强大自我学习能力，能够独立完成AI相关知识学习的人来说，这些额外的帮助可能不是必需的。 非AI领域人士：如果你不准备进入AI相关领域，或者对AI学习没有兴趣，那么这部分内容可能并不适合你。
1. 输入层 (Input)
BERT的输入是文本序列，可以是单个句子或两个句子。输入前需进行预处理，如转为小写、去标点等。
2. Tokenization 和 Embeddings
Tokenization：使用WordPiece方法分词，将文本拆成子词。
Token Embeddings：将Token映射到高维空间，形成向量表示。
Segment Embeddings：区分两个句子，添加额外嵌入。
Position Embeddings：提供Token位置信息。
3. BERT的网络结构
BERT由多个Transformer编码器层堆叠而成，包括：
自注意力机制：捕捉Token间的依赖关系。
前馈神经网络：提取高级别特征。
残差连接和层归一化：提高训练稳定性和效果。
4. 输出层 (Output)
BERT的输出根据任务而定。预训练阶段包括：
MLM：预测被遮盖的Token。
NSP：判断两个句子是否连续。
