作者您好，您的代码是我见过写的最规范整洁可读性最好的代码，但是关于ptuing我真觉得存在一些问题，下面这行是您在ptuing里写的注释关于将原始数据转化为喂给模型的数据那部分
插入 prompt -> [unused1][unused2]...[CLS][MASK]...[SEP]
发现只是做了模版的映射，并没有让这些unused1变成trainable的可以自动更新的参数，想问问您是不是我看漏了，还是您的代码存在问题，已经纠结好多天了，希望能得到您回复

Hi，因为距离这个代码写的有点久了，所以我按照我的记忆回答一下您这个问题。

我理解您的问题可能是：我们只是把 unused token 喂给了模型， 而 label 却只有每个句子的 label token，也没有这些 unused token 的 label，那这些 prompt tokens 怎么学习？

在这个例子里，由于我们只需要学习每一个 prompt (unused) token 对应的 token embedding 就可以了（因为最后不需要知道这些 prompt tokens 的实际对应的文本是什么），因此我们只用通过在更新 MASK Label 的时候来附带的更新这些前缀 token 的 embedding 即可。

因为我们对每一个样本前面都拼接了同样 prompt tokens，所以这些前缀 token 的 embedding 就能够随着模型训练而慢慢得到更新，最终被训练成一串能完成指定任务的 embedding 序列。

下图来自这篇论文：

通常的方法会 freeze 掉整个 LM，只训练 prompt token 的 embedding，不过我当时在 demo 里还是采用参数全调的实现方式。

现在提出了一些微调更多参数的 PTuning 的方式（如：PTuning v2），不只是在 input embedding，而是在每一层都插入 prefix embedding 来训练模型，如 这篇论文，你可以在 这里 找到相关的代码实现：

希望这些是您想知道的内容。

非常感谢您的回复！我赞同您的说法，是的 ptuing ptuing-v2我都了解过，刘潇大佬的文章我也有很仔细的读过，作者论文里甚至是用了一个lstm来初始化前缀token的 embedding（他们的代码是在PET原作者的工作上写的，我觉得好难读（我太菜了呜呜））。
但是您提到的“前缀 token 的 embedding 就能够随着模型训练而慢慢得到更新”我好像没在您代码里看到，因为我把您的代码都仔细读过了，从PET那份都看了，然后您的做法是直接将他们convert_example成了模型的输入，在这个过程中，在模型计算mask_label的过程中，我认可您所说的随着模型的训练前缀token的embedding在更新，但是反应在我们的训练数据上，训练数据的模版上的token的embedding并没有随之更新诶，我觉得您的说法是正确的，要做的话是否应该是在每个批次训练完后，将模型输出的结果作为label 来对Template做一次反向传播更新Template呢？就是应该convert example这个过程不是一次完成的而是反复随着训练进行呢？哦也不对，迭代后前缀token肯定就不是词表里的词了，我再想想吧。。。
谢谢您百忙之中抽空回答我的问题！
您的代码真的很规范，是我学习的很好的榜样！

@init-neok 我和你的感受一样，一脸懵