故事猝不及防，发量秃如其来

在大模型时代，embedding成为一项必不可少的技术，主要是因为它能够有效地将大量高维数据（如文本、图像和音频信息）转换成更低维的、密集的向量表示。这种表示可以捕捉到数据的本质特征，并且在处理和计算上更为高效。通过embedding，模型可以在这些压缩的向量空间中学习数据之间的复杂关系和模式，从而提高了处理速度和准确性。此外，embedding使得模型能够在较小的表示空间中进行操作，减少了计算资源的需求，同时也便于模型的训练和推理，这对于处理现代大规模数据集尤为关键。

你可以通俗易懂的了解，Transformer中的编码器、解码器是什么以及他们中间的细节所对应的概念是什么，具体中间是怎么变化的。

BERT论文中重读，记录其中额小细节。2阶段 + 2任务 + 3向量 + 11任务

Transformer学习细节，从微观上深入探索transformer，了解其发展与计算。

学习transformer，要“知其然，知其所以然”，先从Embedding上来学习，从宏观和微观上来学习，宏观上整体把握Word Embedding->ELMO->BERT->GPT，再从微观上深入了解Transformer，掌握其细节流程。