如何用bert模型做翻譯任務(wù)？Bert不能做翻譯任務(wù)，因為翻譯任務(wù)是NLP生成任務(wù)，Bert目前不能做。Bert可以完成的主要任務(wù)有：1文本分類任務(wù)，如情感分類，2序列注釋任務(wù)，如分詞實體識別，詞性標(biāo)

如何用bert模型做翻譯任務(wù)？

Bert不能做翻譯任務(wù)，因為翻譯任務(wù)是NLP生成任務(wù)，Bert目前不能做。Bert可以完成的主要任務(wù)有：1文本分類任務(wù)，如情感分類，2序列注釋任務(wù)，如分詞實體識別，詞性標(biāo)注，3句子關(guān)系判斷，如QA，自然語言推理

學(xué)習(xí)是一個漫長的過程，遇到困難停不下來，語言堅持，那人的學(xué)習(xí)方法不一樣，有的人喜歡看視頻，有的人喜歡看書，B站，CSDN，智湖等等，有很多教學(xué)視頻，可以參考學(xué)習(xí)，小編學(xué)習(xí)python，都是直接作戰(zhàn)，自己做項目，在項目中遇到問題，去百度，或者谷歌，這些問題解決后，推薦自己的學(xué)習(xí)解決方案也錄下來，發(fā)到網(wǎng)上，讓自己也學(xué)習(xí)，為別人也鋪路，相關(guān)的python，小編也寫了很多文章，大家可以參考和學(xué)習(xí)

前段時間，我用了NLP領(lǐng)域最好的。我把它放到業(yè)務(wù)數(shù)據(jù)集上微調(diào)后，效果非常好。

此外，釋義檢測任務(wù)列表模型的精度也提高到0.95，泛化能力很強(qiáng)。改變子域數(shù)據(jù)時不需要繼續(xù)微調(diào)，隨機(jī)測試10個以上的情況只會出現(xiàn)一個錯誤。

但是在實際生產(chǎn)環(huán)境中存在一些問題。首先，模型存儲成本巨大。一個bet分類器模型的長度超過400m，并且在我們的知識樹中有很多節(jié)點。假設(shè)只有10個分類器，這部分成本也是巨大的。

而且，使用CPU來做信息會非常慢，但是如果你想更換GPU，機(jī)器的成本每年都會增加很多。

所以最前沿的車型是否真的能被使用，其中會有很多權(quán)衡