1、bert网络模型base有12层，
隐含层大小：H=768，
词向量参数矩阵：W = V*H，V大概在两万多，
12个attention head，
每个投的QKV矩阵：H * （H/12）
前馈层参数量是H * 4H = 768 * 3072
所以可以发现参数部分集中在词向量和前馈层
实际上对于部分下游任务，可能并不需要这么大的参数量，有些下游任务的特征可能比较明显，使用大网络耗时就比较严重了，而且容易fine-tuning的时候过拟合，所以可以对网络进行裁剪；
把网络比作一个长方形，宽就是它的广度，长就是它的深度，所以我们可以从这两个方面来裁剪模型，缩减长度（12层变成6层、8层等），缩减宽度（12个头变成6个亦或者768维变成512维）；个人理解：长度提取的是不同形式的特征，如第一层是词向量表达，第二层是字与字之间的关系，第三层是字与句子之间的关系等等，那么宽度就是每一层的这个特征能不能全部提取出来，可能768维就是提取第一层词向量表达的最优解，512维只能提取词向量的一部分信息。
我这里首先实验了一下对层数进行裁剪：分别裁成了2、4、6层，7层还在训练中。裁剪的过程就是对ckpt这个预训练好的模型读取它的图，然后抽取出你想要的那一层的参数即可，再保存。
结果就是：
2层：89.93%
4层：89.98%
6层：91.59%
12层:92.42%
接下来会看看其他层的结果
还有一点，就是你下载的预训练模型可能只有100多M，但是你finetuning之后就有1个多G了，那是因为你里面保存了很多无用的信息，例如梯度等，这部分信息在预测的时候是没有用的，你可以选择把这一部分信息删除了，
2、意图识别类似于一个分类任务，真实标签向量其中一个位置1，其余位置全是0，那么在训练的过程中就会出现模型会尽力趋向真实标签，当前意图的结果与其他意图差别越大越好，这样就会导致模型过于相信预测的结果了，另一个方面，模型的泛化能力也会降低，容易导致过拟合。
标签平滑操作很简单，就是对真实标签进行平滑
1、原来是[1, 0, 0]
2、e = 0.1，K= 3，新的分布 = (1-e) * 原分布 + e * [1/K, 1/K, 1/K]
3、新的分布 = 0.9 * [1,0,0] + 0.1 * [1/3, 1/3, 1/3]
e的值是可以改变的，这个也会影响最后的结果：
未平滑：92.42%
e = 0.1：92.31%
e = 0.2：92.47%
e = 0.25：92.42%
e = 0.3：92.09%
平滑的结果有提升，但提升不是很明显，模型的泛化能力按道理来说是提升的，不过还要继续观察在其他样本上的表现