XLNET里面的细节点有很多，重点掌握以下两点：
- AR和AE两种无监督预训练的优化目标
- 双流自注意力机制：为什么需要把位置信息和内容信息拆分
在NLP中，无监督表示学习已经获得长足发展。一般的流程是先将模型在大量无标签数据上进行预训练，然后在具体的下游任务上进行微调。
一般来说，无监督预训练有两种目标函数很受重视：AR和AE。
- AR，也就是autoregressive，我们称之为自回归模型；用$x_{0},x_{1},x_{2}...$去预测$x_{t}$，可以分为正向和反向，只能考虑单侧的信息，典型的就是GPT
- AE，也就是autoencoding，我们称之为自编码模型；从损坏的输入数据中预测重建原始数据。可以使用上下文的信息，Bert就是使用的AE；
AE模型能够看到句子中的更多的信息，这也是BERT在下游任务中表现很好的原因。
先来看一下优化目标，对于AR语言模型来说，它是基于概率的一个链式法则，优化如下：
而AE模型，拿BERT举例，它的优化目标是是从损坏的输入数据中重建原始未被破坏的输入，优化目标如下：
举个简单的例子，原始输入为【我爱吃饭】，那么AR模型在做的时候，它的优化是P(我爱吃饭) = P(我)P(爱|我)P(吃|我爱)P(饭|我爱吃)；
阈值对应的，假设我们mask之后为【我爱mask mask】，那么BERT的优化目标是：P(我爱吃饭|我爱maskmask)=P(吃|我爱)P(饭|我爱)；
根绝这两个例子，我们首先知道对于AR模型，它在优化的时候，只能看到单向信息。
对于AE模型，它可以看到双向信息，但是有一个问题就是，它认为mask之间相互独立，也就是上面例子中【吃】和【饭】是相互独立的。
很显然，这一点是错误的，【吃】和【饭】之间肯定是有联系的，但是BERT在预训练的时候并没有考虑这一点。
BERT还有一个缺点就是，在预训练的时候，是存在mask字符的，但是在微调的时候，也就是在我们的在具体任务上训练的时候，我们的输入是不存在mask字符的，造成了预训练和微调之间的gap；
AR（单向缺点）和BERT（mask缺点）都存在缺点，XLNET想办法解决了这两个问题。
为了解决AR模型不能关联上下文信息，提出这个策略。
如果我们的序列x的长度为T，那么对于这个序列，我们有T!种排列方式。
比如说，原始排列为1，2，3，4；那么对它进行重排列，就有24中排列方式。
我们挑两种来看：1，2，3，4和1，4，3，2；
在这两种排列中，假设我们都处于预测第三个位置3的时刻，那么对于第一种，它能够看到的内容信息来自1和2，对于第二种排列方式，它能够看到的内容信息来自1和4。
这样一来，对于3 来说，它在训练之后，既看到了前面的信息1和2，又看到了后面的信息4。
通过这种方式，AR模型可以联系到上下文的信息。
但是如何做到输入序列进行重排序呢，使用TSSA；这样输入序列顺序不会发生变化，顺序的变化只是发生在内部；
假设我们先把某个点的信息分为内容信息和位置信息，为啥这么分，看完例子就知道了。
先来一个简单的例子，句子序列：1，2，3，4；
如果要是预测3，那么需要做什么：
首先，我需要1和2的全部信息（包括它们内容信息和位置信息）；其次需要看到3当前这个点的位置信息，确保知道预测的是哪一个位置，但是我不能看到3这点的内容信息，因为我要预测这个单词，不能做到标签信息的泄露。
如果要是预测4，那么需要做什么：
首先，我需要1，2，3的全部信息（包括它们的内容信息和位置信息），其次，我需要看到4当前这个点的位置信息；
好了，两个例子联合起来看，对于3这个点，有的时候我需要向4提供全部信息（包括内容信息和位置信息），有的时候我需要向自己提供位置信息（不能包含内容信息，防止造成标签的泄露）；
这就是为什么需要将信息分为内容信息和位置信息，如果不分开，那么对外提供信息的时候就不能有效的隔离。
仔细琢磨这个例子，对照着这个例子，可以看一下下面这个图：
这个图，细节一点要注意，在计算位置信息的时候，QKV分别代表着什么？
这点需要大家仔细去看。
然后看c，在最后预测的时候我们使用的query stream，并没有使用content stream；这点需要注意；
- 使用部分预测：句子预测起始阶段，上文信息较少，担心误差较大，所以只对句子后1/K的tokens被预测
- 使用Transformer-XL，用于处理长文本
说一下值得注意的点，主要就是双流自注意力机制这里很有意思，在初看图的时候很容易看混。
这么理解会更加的方便，对于同一个token，在预测自身的时候，它需要向外提供自己的位置信息，在预测别的单词的时候，它需要对外提供全部信息。
所以一个好办法就是把内容信息和位置信息分隔开对外提供。