1，作为Autoregressive语言模型的XLNet何以能够在发布时在20个语言任务上都能够正面挑战作为Autoencoding与训练领域霸主地位的BERT？
2，XLNet背后Permutation LM及Two-stream self-attention数学原理解析
3，Autoregressive LM和Autoencoding LM数学原理及架构对比
4，Denoising autoencoding机制的数学原理及架构设计
5，对Permutation进行Sampling来高性价比的提供双向信息数学原理
6，XLNet的Permutation实现架构和运行流程：content stream、query stream
7，XLNet中的缓存Memory记录前面Segment的信息
8，XLNet中content stream attention计算
9，XLNet中query stream attention计算
10，使用Mask Matrices来实现Two-stream Self-attention
11，借助Transformer-XL 来编码relative positional 信息
12，XLNet源码实现之数据分析及预处理
13，XLNet源码实现之参数设定
14，XLNet源码实现之构建Permutation
15，XLNet源码实现之positional embedding详解
16，XLNet源码实现之relative positional encoding详解
17，XLNet源码实现之Masking详解
18，XLNet源码实现之Attention详解
19，XLNet源码实现之multi-head attention详解
20，XLNet源码实现之memory缓存详解
21，XLNet源码实现之Head projections操作详解
22，XLNet源码实现之two-stream详解
23，XLNet源码实现之Position-wise FFN 详解
24，XLNet源码实现之Loss操作详解
25，XLNet源码实现之training过程详解
26，从特定的checkpoint对XLNet进行re-training操作
27，Fine-tuning源码完整实现
28，Training Evaluation分析
29，使用XLNet进行Movies情感分类案例实战
