论文阅读_知识蒸馏_TinyBERT

英文题目：TINYBERT: DISTILLING BERT FOR NATURAL LAN-GUAGE UNDERSTANDING
中文题目：TinyBERT: 提炼BERT的自然语言理解能力
论文地址：https://arxiv.org/pdf/1909.10351.pdf
领域：NLP，知识蒸馏
发表时间：2020
作者：Xiaoqi Jiao, 华中科技大学
出处：ICLR
被引量：67
代码和数据：https://github.com/Lisennlp/TinyBert
阅读时间：22.09.16

读后感

对BERT模型进行蒸馏，老师模型和学生模型都使用Transformer架构，但是层数和每层的输出维度可以不同，从而实现对模型的精减。

介绍

预训练的大模型难以应用到资源受限的系统中，文中提出针对Transformer模型的蒸馏方法，将BERT模型作为老师模型，将知识蒸馏到学生模型TinyBERT中。同时在预训练和精调的场景中进行蒸馏，它可以达到其老师模型96%的准确率，比老师模型小7.5倍 ，快9.4倍。

实现的具体方法是根据BERT层设计了多种损失函数。与现有模型的差异如表-1所示：

文章贡献

• 优化了基于Transformer框架的蒸馏方法
• 支持预训练和精调两个场景的蒸馏
• 实验证明TinyBERT的效果

方法

蒸馏

蒸馏方法的如公式-5所示：

将fs定义为学生模型，将ft定义为老师模型，把实例代入模型，计算预测结果，L()为损失函数，评价师生的差异，目标是尽量让老师与学生结果一致。

Transformer蒸馏

蒸馏方法允许老师和学生是完全不同的模型，TinyBERT设计过程中将老师和学生模型都设计使用Transformer结构。

符号定义

设学生模型有M个Transformer层，老师模型有N个Transformer层，在二者之间建立一个映射函数 n=g(m)，学生的第m层从老师的第g(m)层学习。将嵌入层定义为第0层，预测层定义为M+1层。根据经验选择g()映射函数。其整体损失函数定义如下：

公式-6与公式-5类似，它针对学习的m个层优化，λm为超参数，指定每层的重要程度。

Transformer层蒸馏

Transformer层蒸馏包含对注意力的蒸馏和对隐藏状态的蒸馏，如图-2所示：

注意力层的蒸馏致力于学习BERT捕捉的丰富语言学知识，学生模型首先拟合老师模型的多头注意力，损失函数如下：

其中h是头数，A为注意力矩阵，MSE为均方误差损失。这里直接使用Attention，而未使用归一化的softmax，是由于实验证明直接使用效果更好。

除了Attention，还对transformer层的输出进行了拟合：
![[Pasted image 20220916212451.png]]
这里的HS和HT分别是学生和老师模型的隐藏层，学生模型隐藏层的维度往往小于老师层的维度，使用W参数在两个维度间进行转换。

嵌入层蒸馏

嵌入层的蒸馏与上述隐藏层处理方法类似，也可使用不同维度，通过W进行映射，本文中使用了相同维度。

预测层蒸馏

另外，还对最后一层的预测层进行了蒸馏，具体使用了软的交叉熵作为损失函数，这是为了从老师模型中除了最终结果类别，还能学到每一个类别的匹配度。

其中zS和zT分别对学生和老师预测的向量进行指数运算，t是温度系数，本文实验中t=1时表现最好。

综上，对不同层使用不同的损失函数：

TinyBERT学习

一般训练BERT模型包含两个场景：预训练和精调。对预训练模型的蒸馏将丰富的语言学知识转换到小模型中，提升小模型的泛化性能。流程如图-1所示：

另外，还支持进一步针对具体任务的蒸馏。

通用蒸馏

使用普通的BERT作为老师模型，并利用大规模数据集来蒸馏，生成的TinyBERT可用于进一步训练下游任务。此处训练出的TinyBERT是一个中间模型，效果比BERT差。

针对任务蒸馏

由于大模型的众多参数不一定都能通过精调优化，精调质量不一定很高，所以蒸馏模型有可能达到与普通的调优模型类似的效果。此处，用附加的针对任务的数据调优模型。将针对任务调优的BERT模型作为老师，使用数据增强方法来扩展训练数据，以提升学生模型的泛化能力。

数据增强

使用预训练的BERT和GloVE词嵌入实现词级别替换来增强数据。
用BERT来找到单个词替换，用Glove词嵌入来检索最相似的词组替换，通过概率p来决定是否替换当前词。算法-1展示了数据加强的方法。预训练的蒸馏模型为针对任务的模型提供初始模型参数。

实验

主实验结果如表-1所示：

可以看到，TinyBERT 在参数少且速度快的情况下，相对于其它小模型效果更好，基本于MobileBERT持平。