重回榜首！Facebook开源加强版BERT，全面超越XLNet
大数据文摘出品
作者：宁静
刚刚被拉下神坛的BERT又一次称霸了GLUE、SQuAD和RACE三个排行榜。
今年六月，谷歌发布XLNet，指出并解决了BERT的缺点，在20多个指标上全面刷爆了BERT之前的成绩，数据、算力相比BERT增加了很多，也在业内引起了激烈讨论：到底该用BERT还是XLNet？
Facebook前几天宣布：如果训练更久一点、数据量再大一点，BERT 还是能重新达到 GLUE 基准的第一名。
今天，Facebook开源了这个基于BERT开发的加强版预训练模型RoBERTa，全称"Robustly optimized BERT approach"——强力优化BERT方法，在GLUE、SQuAD和RACE三个排行榜上都取得了最优成绩。
在今天的官方推文中，Facebook AI也直接明了地点出了这一方法的称霸诀窍：更久的训练时间、更多的数据、更强力调参。
Facebook也强调了RoBERTa诞生的意义：
调整BERT训练程序可以显着提高其在各种NLP任务上的表现，同时也表明了这种方法的竞争力。更广泛来看，这项研究进一步证明了，监督训练有可能达到或超过更传统的监督方法的表现。RoBERTa是Facebook不断致力于推动自我监督系统最先进技术的一部分，该系统的开发可以减少对时间和资源密集型数据标签的依赖。
这项研究由Facebook AI和华盛顿大学的研究团队共同完成，并公开了论文和代码，先附上链接：
论文链接：
https://arxiv.org/pdf/1907.11692.pdf
Github代码链接：
https://github.com/pytorch/fairseq/tree/master/examples/roberta
亮点：RoBERTa基于BERT的改进
RoBERTa基于BERT的改进在四个方面展开，包括：
-
更长时间地训练模型，批量更大，数据更多;
-
删除下一句预测的目标;
-
较长时间的训练;
-
动态改变应用于训练数据的masking模式。
论文的贡献在于：
-
提出了一套重要的BERT设计选择和训练策略，并引入了能够提高下游任务成绩的备选方案;
-
文中使用一种新的数据集CCNEWS，并确认使用更多数据进行预训练，进一步改善了下游任务的性能；
-
预训练的masked language model相比发表的其他方法都更具有竞争力，已经开源了在PyTorch中模型训练和参数微调的代码。
模型内部架构
之前的BERT采用Transformer 结构，改经后的RoBERTa使用的是L层的transformer 架构，每个block 都使用一个self-attention head和隐藏维度H。
在讲解模型内部原理之前先简单介绍NLP领域中常用的Transformer 结构:
Transformer的主体结构图
模型分为编码器和解码器两个部分,编码器和解码器的输入就是利用学习好的embeddings将tokens（一般应该是词或者字符）转化为d维向量。对解码器来说，利用线性变换以及softmax函数将解码的输出转化为一个预测下一个token的概率。
Transformer用于机器翻译任务，表现极好，可并行化，并且大大减少训练时间。
模型预训练
在预训练模型的过程中，需要完成两个指标：Masked Language Model (MLM) 和Next Sentence Prediction (NSP)
-
Masked Language Model (MLM) ：MLM的目标是masked tokens序列中的交叉熵，选择输入中的随机token样本，并替换为特殊的token [MASK]，BERT模型一致选择输入token中的15%作为可能的替换，在所选的token（selected tokens）中，80%的selected tokens替换为token [MASK]，10%的selected tokens保持不变，另外10%替换为随机选择的词汇表token。
-
Next Sentence Prediction (NSP)下一句预测：预测两个语段之间的二元分类损失，判断语句有没有前后的依从关系，其中正样本来自于文本语料库中提取连续的句子，负样本来自于不同文档的段进行配对，正负样本相同的概率进行采样。
模型参数优化
BERT用以下参数：β1= 0.9，β2= 0.999，ǫ = 1e-6，L2权重为0.01，伴随着学习率的加快，在前10,000个steps中达到峰值1e-4，然后线性衰减；BERT训练时在所有层和attention结构中采用0.1的 dropout ，使用GELU激活函数，模型预训练有S = 1,000,000次更新，小批量包含B = 256个sequences和T = 512的tokens序列。
实验结果
当控制训练数据时，我们观察到RoBERTa比BERTLARGE结果有了很大的改进，当数据集从16GB增加到160GB,训练次数从100K到300K再到500K的过程中，模型准确度也逐渐提升。
RoBERTa在开发和测试中使用了提供的SQuAD数据，+表示依赖于额外外部训练数据的结果，从下面两个表中，可以看到RoBERTa相比XLNet有精度上的提升，表中加粗的数字。
在RACE测试集上的结果显示，RoBERTa的Accyracy相比BERT(large)提高了10个百分点，相比XLNet(large)提高了2个百分点。
BERT与XLNet之争
自诞生起，BERT在江湖中地地位一直颇动荡。
去年10月，谷歌放出了称霸GLUE榜单的BERT模型，当时BERT最大的创新就是提出了Masked Language Model作为预训练任务，解决了GPT不能双向编码、ELMo不能深度双向编码的问题。之后从那天起，很多任务都不再需要复杂的网络结构，也不需要大量的标注数据，业界学术界都基于BERT做了很多事情。
2019年6月19日，谷歌又放出了一个模型XLNet，找到并解决了BERT的缺点，在20多个指标上全面刷爆了BERT之前的成绩，数据、算力相比BERT增加了很多。
语言模型预训练导致了显著的性能增益，但是在不同方法之间仔细仍然具有挑战性，计算的训练成本是昂贵的，同样，超参数选择对最终结果有显著的影响。
但是，XLNet的王座终没做稳，在充分测量许多关键的超参数和训练数据大小的影响，研究人员发现，Bert的训练明显不足，改进后的Bert模型可以达到或超过在之后发布的每一个模型的性能。
本月初，XLNet 团队尝试以一种在相同环境和配置下训练两个模型的方式，对比了 XLNet 和 BERT 的效果，回应业内的讨论。
研究者尝试让每一个超参数都采用相同的值，使用相同的训练数据。
最终结果
实验中有一些有趣的观察结果：
-
使用几乎相同的训练配方训练相同的数据，XLNet在所有数据集上以相当大的优势超越BERT。
-
在11个基准测试中的8个中，采用10倍以上数据的收益，小于从BERT切换到XLNet的性能增益。
-
在一些基准测试中，例如CoLA和MRPC，在更多数据上训练的模型性能低于在较少数据上训练的模型。
虽然这一研究是XLNet团队发布的，但是对于两者的长期争论仍然有很大的价值。感兴趣的读者可以查看原文
https://medium.com/@xlnet.team/a-fair-comparison-study-of-xlnet-and-bert-with-large-models-5a4257f59dc0