BERT泛读系列（五）—— ALBERT

2019-11-16 本文已影响0人 DataArk

一、简介

随着Transfomer结构的普及，一时间大语料、大参数量的预训练模型成为主流。当在实际部署BERT等模型时，往往需要使用蒸馏、压缩或其他优化技术对模型进行处理。ALBERT模型也是基于这一点考虑，通过各种手段减少参数量，得到一个占用较小的模型，对实际落地有较大的意义，不过由于其主要还是减少参数量，所以在推断时间上并没有优化，所有对量大的需求还是很有问题的。总体来说，ALBERT有意义的创新主要有：

修正了句子预测这一一直被诟病的预训练任务，改为了预测句子之间的连贯性；
对Embedding进行因式分解；
跨层的参数共享。

二、ALBERT的改进

1. SOP任务

BERT在提出的时候提供了两种预训练任务，一个是遮蔽语言模型，即以一定比例随机遮蔽一定比例的输入标记，然后预测那些被遮蔽的标记的预训练任务（PS：ALBERT也不是直接做这个任务，而是换成N-gram的预测任务），另一个则是预测第二个句子是不是第一个句子的下一句。但在随后的实践中，第二个任务被证明并没有给模型带来受益，主要由于这个任务过于简单。于是，在ALBERT中这个任务被换成了预测句子间的顺序，增加模型学会这种任务的能力：

从实验上看，有所提升，但个人感觉这个预训练任务还是有待改进。

2. Embedding因式分解

这一步操作其实就是没啥特别好说的，无外乎就是觉得词嵌入时的向量维度应该小一点，然后通过个网络扩充一下提升维度，这样一通操作就可以把参数量从 $O(V×H))$ 降到了 $O(V×E+E×H)$ （有点像深度可分离卷积的做法）：

init

forward

论文实验结果

从实验上看，使用这种方法降低了词向量维度，但没有损失太多的精度（相对来说吧），使用权值共享的策略时增加词向量不升反降（感觉有点神奇）。

3. 跨层的参数共享

共享权值不是什么新鲜的事情，之前一般采用只共享全连接层或只共享attention层，ALBERT则更直接全部共享，不过从实验结果看，全部共享的代价是可以接受的，同时共享权值带来了一定的训练难度，使得模型更鲁棒：

4. dropout的移除

在ALBERT的实验中作者提到对掩码任务和下游任务取消dropout都带来了提升，这一点无疑非常值得去思考：

掩码任务

下游任务

同时，作者也提到100w步之后，ALBERT依旧没有过拟合的迹象。

三、ALBERT的实验结果

GLUE benchmark

SQuAD and RACE benchmarks

简单一句话来说，就是小但强。仅从ALBERT本身来说其实是蛮让人失望的，因为并没有带来很多有营养的创新，同时由于其的小更多是共享权值带来的，这也就导致它并没有减少推断时的时间。但另一方面来说，ALBERT减少了占用，本身就给大规模部署带来优势，如果再结合上蒸馏等技术，占用小、速度快、精度高的Bert仿佛就在眼前。