R11 · 一句现成文本，怎样同时给出输入和答案？
网络能给出下一词分布以后，还需要训练答案。一条现成文本能否在许多位置同时提供合法输入与监督，而无需另作逐词标注？
状态 b0
输入与目标相差一格；例如输入gave的列要预测her。这里仅展开完整句子的前五个位置。
状态 b1
每列从自己的分布取出正确目标概率，负对数后汇入总loss。先看一列，再看总和。
状态 b2
新增提醒明确标签只用于批改，不可进入同一次预测的前向输入；下一页撤去真实后续词后，就必须用自己的选择继续。
公式与算例详情
将目标右移后作为输入，是自回归监督的基本组织方式：输入BOS、I、gave、her、a，对应目标I、gave、her、a、book。模型用合法前缀预测下一项，再把正确答案用于损失，而非直接送给同一预测节点。
图中只展开完整句子的前五个预测位置，后续仍需预测句号与EOS。一批序列通常有不同长度，需要padding；求平均时只计有效目标token。训练用真实前缀常称teacher forcing，生成时则接回模型选出的词，两者前缀分布可能不同。当前是目标组织，RNN沿时间串行、Transformer训练可并行的差别随后由架构解释。
原课页采用记录：M10 RNN怎样训练、M11 训练与生成如何不同、M25 mask 与预测目标。页码均按PDF物理页计。
继续学习
本页自学核对：将一句话右移为输入／目标并补 EOS；整理成逐位置 loss 与总目标的对应表。
若仍混淆真实前缀训练和自己续写，可进入《把预测、训练与评价摊在同一张样本表上》；动手时打开LAB01的“B · 同一预测目标，三个模型；训练一次，生成多次”：在样本表里逐位置核对输入—标签错位，再在固定模型下比较生成方式。 实施范围见实验路线B。