Press "Enter" to skip to content

Bort: 亚马逊最新4层小模型

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

最近一年多,BERT的瘦身方法层出不穷,主要围绕着三个方向:、剪枝、量化。也有不少同学直接砍掉BERT的一些层再精调也能达到不错的效果。我就是“懒惰”的砍层一族,不过在实践中发现,取不同的层得到的效果差异很大,最多能差出7个点。于是最近也在思考,怎样可以 在不穷举的情况下抽出效果最好的子模型?

 

老天就是这幺眷顾爱思考的孩子,让我刷到了一个亚马逊新鲜出炉的论文: Optimal Subarchitecture Extraction For BERT 。论文的摘要中写道: 参数量只有large模型的16%,通过1.2%的时间预训练后,对比BERT-large有0.3%到31%的提升! 不能更exciting了有木有!

再跳到GLUE实验结果,简直是工业界福音:

但。。是。。

 

在我快速(也没有快速,原理部分真的很煎熬)过了一遍论文后,发现文章的缺点和优点一样多。虽然作者给出了新的方法和一些有用的结论,但实验存在着两个主要问题:

 

 

    1. 对比不公平 :BERT-large只在Wiki语料上进行训练,而作者预训练Bort的预料是原始BERT的十倍。同时BERT-of-Theseus、TinyBERT也是在分别基于原始BERT或者用Wiki语料训练的。无法证明是作者的方法好,还是用了更多的语料训练让效果更好。

 

    1. 没有消融实验 :虽然文章主打“Optimal Subarchitecture Extraction”,但实际上作者也用了蒸馏预训练、以及一种名为Agora的蒸馏方法来精调,如果不做消融实验,怎幺知道到底是子结构抽的好、还是蒸馏预训练好、还是Agora精调好?

 

 

不过从另一方面来说,作者确实通过各种方法,得到了一个效果很好的小模型Bort,其中使用的抽取、快速预训练、精调等流程也有值得借鉴的地方。

 

Good or not good?我进退两难。

接下来介绍一下作者训练模型的主要流程,同学们可以酌情在实践中参考。

 

论文题目:Optimal Subarchitecture Extraction For BERT
论文地址:https://arxiv.org/abs/2010.10499
源码地址:https://github.com/alexa/bort

 

论文中有引用作者的两个其他工作,大礼包请在公众号「 李rumor 」回复“bort”下载。

 

最优子结构的选取

 

作者在今年早些时候的论文“An Approximation Algorithm for Optimal Subarchitecture Extraction”中对OSE(Optimal Subarchitecture Extraction)问题进行了研究。先证明对于BERT这类模型来说OSE是可解的,然后提出了一个近似求解的算法,并证明了算法的复杂度(多项式时间)和近似边界。

 

作者的证明和讨论长达15页多,感兴趣的同学可以仔细看看,这里只说一下选取最优子结构的算法思想:

 

输入:模型结构,数据,参数,子结构搜索空间(层数/注意力头数/隐藏维度/Intermediate层维度),模型超参,最大训练步数s,loss,最优模型
输出:最优结果,包括参数、层数/注意力头数/隐藏维度/Intermediate层维度
流程:
1. 计算最优模型的参数量、推理时间
2. 根据最优模型的参数量对搜索空间中的候选排序
3. 对于每一组超参数:
4.  对于每一组子结构:
5.  将子结构训练s步
6.   根据子结构的参数量、推理时间,计算分数W(参数量越小、推理时间越小、和最优模型T最后一层的交叉熵越小则分数越高)
7. 选取分数W最高的作为最优子结构

 

P.S. 解读如有错误,欢迎在评论区指出

 

作者在论文中给出了Top3结果,可以发现4层是性价比较高的子结构:

预训练

 

得到了最优子结构后,作者用小模型对Roberta-large进行蒸馏,并得到了两个结论:

 

 

    1. 用小模型对Roberta-large蒸馏相比MLM收敛更快

 

    1. 只蒸馏最后一层的效果比每层都蒸馏要更好

 

 

在蒸馏预训练的设定下,小模型的训练效率更高,只是原始Roberta-large预训练时间(GPU hours)的1.2%:

不过小模型本来就是Roberta抽出来的,收敛得快肯定也有这部分原因。

 

精调

 

在精调过程中,作者有引用了自己今年另一篇论文的算法Agora。该算法混合了数据增强和蒸馏,当二分类的数据很少或者存在数据不一致时,可以让student在大部分情况下逼近teacher模型的表现。

 

数学力Max的作者又给自己的算法配了10+页的证明,这里主要提一下作者数据增强的核心思想:

 

 

    1. 先根据超参数训练多个学生模型,选择acc最高的

 

    1. 用最好的学生模型对dev集打分,选出预测错的

 

    1. 让老师模型对上述数据重新预测,再将数据加入训练集

 

 

总结

 

作者的子结构和精调方法都略微复杂,需要不少计算量,最终得到的模型虽然比BERT-large和其他蒸馏模型好上很多,但相比它的teacher模型还是有不少差距。同时作者还提到,利用Agora精调很重要,说不定没用Agora效果就不如BERT-large了?

 

令人愉悦的是,作者已经把代码和模型都挂到github上了,但用的是亚马逊选型的Mxnet框架,给大家的复现之路加了一点阻力。

这个作者哥哥让我今天像坐过山车,经历了无数情绪转折,从兴奋到失落到无奈到疑惑,所以最后我去google了他:

居然有些帅???真是数学又好编程又好的有才小哥哥 =。=

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注