英文题目：TINYBERT: DISTILLING BERT FOR NATURAL LAN-GUAGE UNDERSTANDING 中文题目：TinyBERT: 提炼 BERT 的自然语言理解能力 论文地址：https://arxiv.org/pdf/1909.10351.pdf 领域：NLP，知识蒸馏 发表时间：2020 作者：Xiaoqi Jiao, 华中科技大学 出处：ICLR 被引量：67 代码和数据： https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/TinyBERT https://github.com/Lisennlp/TinyBert https://github.com/qiangsiwei/bert_distill（数据是中文的） 阅读时间：22.09.16 读后感 对 BERT 模型进行蒸馏，老师模型和学生模型都使用Transformer架构，但是层数和每层的输出维度可以不同，从而实现对模型的精减。 介绍 预训练的大模型难以应用到资源受限的系统中，文中提出针对 Trans ...

英文题目：Distilling Task-Specific Knowledge from BERT into Simple Neural Networks 中文题目：从 BERT 中蒸馏指定任务知识到简单网络 论文地址：https://arxiv.org/pdf/1903.12136.pdf 领域：自然语言，深度学习 发表时间：2019 作者：Raphael Tang, 滑铁卢大学 被引量：226 代码和数据：https://github.com/qiangsiwei/bert_distill 阅读时间：2022.09.11 读后感 第一次对大型自然语言模型的蒸馏：将 BERT 模型蒸馏成 BiLSTM 模型。 介绍 在自然语言处理方面，随着 BERT,GPT 等大规模预训练模型的发展，浅层的深度学习模型似乎已经过时了。但由于资源的限制，又需要使用小而快的模型。 文章的动机是讨论：浅层模型是否真的不具备对文本的表示能力？并展示了针对于具体的任务，将 BERT 蒸馏成单层 BiLSTM 模型的方法和效果。也通过大模型（起初训练的复杂的模型，后称 Teacher/T）和小模型（蒸馏后的模型 ...

英文题目：Meta-KD: A Meta Knowledge Distillation Framework for Language Model Compression across Domains 中文题目：Meta-KD: 跨领域语言模型压缩的元知识蒸馏框架 论文地址：http://export.arxiv.org/pdf/2012.01266v1.pdf 领域：自然语言处理, 知识蒸馏 发表时间：2020.12 作者：Haojie Pan，阿里团队 出处：ACL 被引量：1 代码和数据：https://github.com/alibaba/EasyNLP（集成于 EasyNLP） 阅读时间：2022-09-17 读后感 结合元学习和蒸馏学习：元学习使得模型获取调整超参数的能力，使其可以在已有知识的基础上快速学习新任务。 介绍 预训练的自然语言模型虽然效果好，但占空间大，预测时间长，使模型不能应用于实时预测任务。典型的方法是使用基于老师/学生模型的知识蒸馏。而模型一般面向单一领域，忽略了不同领域知识的知识转移。本文提出元蒸馏算法，致力于基于元学习的理论，让老师模型具有更大的转移能力 ...

英文题目：MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices 中文题目：MobileBERT：面向资源有限设备的任务无关的压缩模型 论文地址：https://arxiv.org/pdf/2004.02984 领域：自然语言处理，模型蒸馏 发表时间：2020 作者：Zhiqing Sun，卡内基梅隆大学，谷歌 出处：ACL 被引量：162 代码和数据：https://github.com/google-research/google-research/tree/master/mobilebert 阅读时间：22.06.16 读后感 使用了瓶颈结构，同时微调模型实现加速，最终实现了任务无关的蒸馏 BERT 模型。 介绍 大模型效果好，但受资源限制。文中提出了 MobileBERT 模型对 BERT 模型进行压缩和加速，它和原始 BERT 一样，是任务无关的，可以泛化到不同下游任务。MobileBERT 是对 BERT LARGE 的优化，使用瓶颈结构。具体实现分两步：先训练一个倒瓶颈的特殊的老师模型，然 ...

英文题目：Distilling the Knowledge in a Neural Network 中文题目：神经网络知识蒸馏 论文地址：https://arxiv.org/pdf/1503.02531.pdf 领域：深度学习 发表时间：2015 作者：Geoffrey Hinton，谷歌 出处：NIPS 被引量：6972 阅读时间：2022.09.21 读后感 这是最早提出蒸馏模型的文章，它训练老师 Teacher/学生 Student 两个模型，首先训练大而全的 Teacher，然后用 Teacher 蒸馏出小而精的 Student，S 不仅学习 T 的对错判断，还学到更多细节，比如为什么错（错的离不离谱）。 介绍 作者提出训练和部署的模型未必是同一模型。大而复杂的模型效果 (后简称 Teacher/T) 好，但相对复杂，预测时间长，占空间更大。作者提出如何把集成模型或大模型用一个小模型 (后简称 Student/S) 实现。训练阶段产出大而全的模型，然后用蒸馏技术提炼小模型，以便部署。 和压缩参数相比，在输入输出之间建立新的映射可能是更好的模型瘦身方法。一般建模方法是：模型主要学 ...

英文题目：DKPLM: Decomposable Knowledge-enhanced Pre-trained Language Model for Natural Language Understanding 中文题目：DKPLM: 可分解的利用知识增强的预训练语言模型 论文地址：https://arxiv.org/abs/2112.01047 领域：自然语言处理, 知识图谱 发表时间：2021.12 作者：Taolin Zhang 等，华东师范大学，阿里团队 出处：AAAI-2022 代码和数据：https://github.com/alibaba/EasyNLP（集成于 EasyNLP） 阅读时间：2022.09.11 读后感 自然语言和知识图结合的一种新尝试，几种优化方法比较有意思。尤其是他对长尾信息的分析，很有启发性：即使在无监督学习的情况下，也要尽量使用重要的数据训练模型。另外，还给出了具体方法，比如实体出现频率高于均值，则忽略它… 介绍 加入知识增强的自然语言模型简称 KEPLM，它将知识图中的三元组注入 NLP 模型，以提升模型对语言的理解能力。在模型使用时需要知识搜索 ...

1 设置 Ubuntu 软件源 1 查看当前系统版本 1$ lsb_release -a 2 查看是否存在该版本的源 http://mirrors.163.com/ubuntu/dists/ http://mirrors.aliyun.com/ubuntu/dists/ 3 sources.list 模板 (将 TODO 改为版本代号) 12345678910deb http://mirrors.163.com/ubuntu/ TODO main restricted universe multiversedeb http://mirrors.163.com/ubuntu/ TODO-security main restricted universe multiversedeb http://mirrors.163.com/ubuntu/ TODO-updates main restricted universe multiversedeb http://mirrors.163.com/ubuntu/ TODO-proposed main restricted universe mul ...

查看当前可用 wifi 1$ nmcli dev wifi list 连接 wifi 1$ sudo nmcli dev wifi connect xxx password xxx 管理网络 1$ nmcli con show 关闭某连接 1$ nmcli con down xxx 启动某连接 1$ nmcli con up xxx 设置连接优先级 1$ nmcli connection modify xxx connection.autoconnect-priority 20 优先级默认为 0，正数优先级高，负数低 查看优先级 1$ nmcli connection show xxx|grep priority

不允许休眠 1$ systemctl mask sleep.target suspend.target hibernate.target hybrid-sleep.target 查看状态 1$ systemctl status sleep.target suspend.target hibernate.target hybrid-sleep.target 允许休眠 1$ systemctl unmask sleep.target suspend.target hibernate.target hybrid-sleep.target 参考： https://zhuanlan.zhihu.com/p/468870436 https://blog.csdn.net/weixin_44120025/article/details/123184263

SHAP 解释模型（二） 本文在 SHAP解析模型 之后，又尝试了一些 SHAP 新版本的进阶用法，整理并与大家分享． 1 环境配置 以下实验使用当前最新版本 shap：0.41.0，同时安装 xgboost 作为预测模型，并使用较高版本的 matplotlib（低版本有时画图报错）． 123$ pip install shap==0.41.0$ pip install xgboost==0.82$ pip install matplotlib==3.5.2 2 实验数据 仍延用波士顿房价数据集，由于有些方法需要 explainer 对象，因此构造了 shap_value_obj 12345678import shapimport xgboostX,y = shap.datasets.boston()model = xgboost.train({"learning_rate": 0.01}, xgboost.DMatrix(X, label=y), 100)explainer = shap.TreeExplainer(model) shap_va ...