1，GAN：Generative Model和Discriminative Model架构解析
2，为什么说ELECTRA是NLP领域轻量级训练模型明星级别的Model？
3，使用replaced token detection机制规避BERT中的MLM的众多问题解析
4，以Generator-Discriminator实现的ELECTRA预训练架构解析
5，ELECTRTA和GAN的在数据处理、梯度传播等五大区别
6，ELECTRA数据训练全生命周期数据流
7，以Discriminator实现Fine-tuning架构解析
8，ELECTRA的Generator数学机制及内部实现详解
9，Generator的Loss数学机制及实现详解
10，Discriminator的Loss数学机制及实现详解
11，Generator和Discriminator共享Embeddings数据原理解析
12，Discriminator网络要大于Generator网络数学原理及工程架构
13，Two-Stage Training和GAN-style Training实验及效果比较
14，ELECTRA数据预处理源码实现及测试
15，Tokenization源码完整实现及测试
16，Embeddings源码实现
17，Attention源码实现
18，借助Bert Model实现Transformer通用部分源码完整实现
19，ELECTRA Generator源码实现
20，ELECTRA Discriminator源码实现
21，Generator和Discriminator相结合源码实现及测试
22，pre-training训练过程源码完整实现
23，pre-training数据全流程调试分析
24，聚集于Discriminator的ELECTRA的fine-tuning源码完整实现
25，fine-tuning数据流调试解析
26，ELECTRA引发Streaming Computations在Transformer中的应用思考
