RoBERTa

相比较bert，RoBERTa有以下几个改进：

• 模型参数：RoBERTa采用更大模型参数（1024 块 V100 GPU 训练了 1 天的时间）。
• Batch Size：RoBERTa采用更大Batch Size，256-8000不等。
• 下一个句子预测：RoBERTa删除了下一句子预测NSP
• 动态掩码：每次向模型输入一个序列时，都会生成一种新的 Maks 方式。即不在预处理的时候进行 Mask，而是在向模型提供输入时动态生成 Mask

训练数据

训练数据：RoBERTa采用更多高质量训练数据

• RoBERTa：CC-NEWS等在内的160GB纯文本
• Bert : 16GB BookCorpus 数据集和英语维基百科

数据掩码：

• RoBERTa：动态掩码：每次向模型输入一个序列时都会生成新的掩码模式。即不在预处理的时候执行 mask，而是在每次向模型提供输入时动态生成 mask，所以是时刻变化的。
• Bert：在数据预处理期间执行一次掩码，得到一个静态掩码。即每个样本只会进行一次随机mask（每个epoch都重复），后续的每个训练步都采用此相同的mask。
• 修改版静态掩码（Modified Static Masking）：在预处理的时候将数据集拷贝 10 次，每次拷贝采用不同的 mask（总共40 epochs，所以每一个mask对应的数据被训练4个epoch）。这等价于原始的数据集采用10种静态 mask 来训练 40个 epoch。

取消NSP任务

原始的BERT包含2个任务，预测被mask掉的单词（MLM）和下一句预测（NSP）。鉴于最近有研究(Lample and Conneau,2019; Yang et al., 2019; Joshi et al., 2019)开始质疑NSP的必要性。所以RoBERTa实验了四种方法：

• SEGMENT-PAIR + NSP：输入包含两部分，每个部分是来自同一文档或者不同文档的 segment （segment 是连续的多个句子），这两个segment 的token总数少于 512 。预训练包含 MLM 任务和 NSP 任务。这是原始 BERT 的做法。
• SENTENCE-PAIR + NSP：输入也是包含两部分，每个部分是来自同一个文档或者不同文档的单个句子，这两个句子的token 总数少于 512 。由于这些输入明显少于512 个tokens，因此增加batch size的大小，以使 tokens 总数保持与SEGMENT-PAIR + NSP 相似。预训练包含 MLM 任务和 NSP 任务。
• FULL-SENTENCES：输入只有一部分（而不是两部分），来自同一个文档或者不同文档的连续多个句子，token 总数不超过 512 。输入可能跨越文档边界，如果跨文档，则在上一个文档末尾添加文档边界token 。预训练不包含 NSP 任务。
• DOC-SENTENCES：输入只有一部分（而不是两部分），输入的构造类似于FULL-SENTENCES，只是不需要跨越文档边界，其输入来自同一个文档的连续句子，token 总数不超过 512 。在文档末尾附近采样的输入可以短于 512个tokens， 因此在这些情况下动态增加batch size大小以达到与 FULL-SENTENCES 相同的tokens总数。预训练不包含 NSP 任务。

实验结果

batch size

RoBERTa采用更大的 Batch Size :

• 其中bsz是batch szie，steps是训练步数，为了保证bsz*steps近似相同，所以采用了不同bsz和steps。
• lr是学习率
• ppl是困惑度，越小越好。
• 其他两项是不同任务的准确率。

参考：深度学习：前沿技术-RoBERTa