bert系列模型区别（bert-base-cased/bert-base-uncased/bert-base-chinese)

BERT模型介绍

BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，由Google开发并于2018年发布。BERT的目标是通过将大量无标注的文本数据进行预训练，来学习通用的语言表示。预训练阶段使用了Transformer模型来处理输入的文本数据，并通过两个任务来进行学习：Masked Language Model（MLM）和Next Sentence Prediction（NSP）。

在MLM任务中，BERT会随机遮盖输入文本中的一些单词，并通过上下文中的其他单词来预测这些被遮盖的单词。这个任务可以帮助BERT学习到对上下文信息敏感的单词表示。

在NSP任务中，BERT会接收两个句子作为输入，并预测这两个句子是否是连续的。这个任务可以帮助BERT学习到对句子级别的上下文信息进行建模。

通过这两个任务的预训练，BERT能够学习到具有丰富语义信息的语言表示，