我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
#Example 3
reference = [['the', 'cat', 'likes', 'milk']]
candidate = ['the', 'cat', 'enjoys','milk']
score = sentence_bleu(reference, candidate)
print('Example 3', score)
跑出以下結果：
關鍵問題出在：3-Gram 沒有重疊，它建議的選項出現：SmoothingFunction()，我們來看看 Smoothing 是什麼意思。
Chen 與 Cherry 於 2014 年提出一種 Smoothing 方法，Label Smoothing 是一種非常有效的方法，可以提高 Transformer 模型在訓練階段的表現，舉例來說：
我要預測 [mask] 這個字在句子 The cat [mask] milk 中為何，那我的候選名單可能為：
而 Softmax 可能為：
又 One-Hot 為：
這樣一來，Label Smoothing 的運作方式為：
- 給定一個 Epsilon 參數，假設為 0.25
- 判斷 Softmax 維度，此例子為 K = 4
- One-Hot 中為 0 者，增加為 0 + Epsilon / (K - 1)
- One-Hot 中為 1 者，減少為 1 - Epsilon
