【NLP】模型压缩与蒸馏！BERT的忒修斯船

作者 | 许明   

整理 | NewBeeNLP公众号

如果忒修斯的船上的木头被逐渐替换，直到所有的木头都不是原来的木头，那这艘船还是原来的那艘船吗？

-普鲁塔克

最近遇到一个需要对算法加速的场景，了解到了一个比较简洁实用的方法：Bert-of-theseus^[1], 了解了原理后参考代码实验后，验证了其有效性，总结一下。

模型压缩

模型在设计之初都是过参数化的，这是因为模型的参数量与复杂度代表着模型的容量与学习能力，但当我们实际使用时，我们需要更好的部署他（低资源），更快的响应（快速推理），常常需要进行模型压缩。

模型压缩就是简化大的模型，得到推理快资源占用低的小模型，而想"即要马而跑又不用吃草"通常是很难的，所以压缩后的模型常常也会有不同程度的牺牲，如模型性能下降。此外，模型压缩是作用在推理阶段，带来的常常是训练时间的增加。

模型压缩又分为几种方式：一种是剪枝(Pruning)与量化(Quantization),一种是知识蒸馏(Knowledge Distillation), 还有一种是权重共享（Sharing）与因数分解（Factorization）。该部分内容推荐一篇博客：All The Ways You Can Compress BERT^[2]

剪枝

剪枝技术是通过将大模型中一些"不重要"的连接剪断，得到一个"稀疏"结构的模型。剪枝又分为"结构性剪枝"与"非结构性剪枝".剪枝可以作用在权重粒度， 也可以作用在attention heads / layer粒度上。不过剪枝技术感觉会逐步被NAS（Neural Architecture Search）取。

量化

量化不改变模型的网络结构，而是改变模型的参数的数据格式，通常模型在建立与训练时使用的是 float32 格式的，量化就是将格式转换为 low-bit, 如 float16 甚至二值化，如此即提速又省显存。

知识蒸馏

知识蒸馏是训练一个小模型(student)来学习大模型(teacher)，由于大模型是之前已经fine-tuning的，所以此时学习的目标已经转换为对应的logit而不再是one-hot编码了，所以student有可能比teacher的性能更好。这样即小又准的模型实在太好了。

不过为了达到这样的效果，通常设计小模型时不光要学习大模型的输出，还要学习各个中间层结果，相关矩阵等，这就需要仔细设计模型的结构与loss及loss融合方案了。一种简单的方法是只学习大模型的logit，这与对label做embedding有点类似，不过我没做过实验还。

权重共享

将部分权重在多个层中共享以达到压缩模型的效果，如ALBERT中共享self-attention中的参数

权重分解

将权重矩阵进行因数分解，形成两个低秩的矩阵相乘的形式，从而降低计算量

模型压缩的必要性

看了上面模型压缩的方法，每一个都有种"脱裤子放屁"的感觉，与其训练一个大模型，再费力把它变小，为何不直接开始就弄个小的呢？

• 首先，模型在设计之初是都是会或多或少的过参数化，因为模型的参数量与复杂度代表着模型的容量与学习能力；

• 其次，开始就用一个小模型，那这个小模型也是需要设计的，不能随便拿来一个，而设计一个性能高参数规模小的小模型难度是非常大的，往往是模型小了性能也低了；

• 第三点，大模型压缩后与小模型虽然参数规模相当，但是对应的模型空间并不相同

• 此外，为了更好的部署，如手机或FPGA等，得到精度更高模型更小(distillation)或者利用硬件加速(low-bit)，模型压缩都是值得试一试的手段。

更详细的讨论，可以参考为什么要压缩模型，而不直接训练一个小的CNN^[3]

Bert of theseus

• 论文：BERT-of-Theseus: Compressing BERT by Progressive Module Replacing

• 地址：https://arxiv.org/abs/2002.02925

• arxiv访问不方便的同学公众号后台回复『0024』直接获取
  

Bert of theseus 方法属于上面提到的知识蒸馏，知识蒸馏中我们提到，在蒸馏时，我们不光要学习teacher的输出，对中间层我们也希望他们直接尽量相似。

那想象一个这种状态对应的理想情况：中间层的结果一致，最终的结果一致,既然我们的期望中间结果一致，那也就意味着两者可以互相替换。正如开头提到的忒修斯之船一样。所以核心思想是：「与其设计复杂的loss来让中间层结果相似不如直接用小模型替换大模型来训练」

通过复杂loss来达到与中间层结果相似可以看作是一种整体渐进式的逼近，让小模型一点点去学习，而直接替换可以看作是一种简单粗暴的方式， 但是他不需要设计各种loss，优化目标也是同一个，就只有一个下游任务相关的loss，突出一个简洁。

这就好比高中上学一样，即使花高价也要让孩子去一所好高中，因为学校的"氛围"能让孩子的学习成绩进步，其实是因为周围的孩子带着一起学，弱鸡也能学的比平时更多一点。bert-of-theseus也是类似的道理，跟着大佬（teacher）总比单独fine-tuning效果好。

具体流程

如果直接将小模型替换大模型，那其实是在对小模型进行微调，与大模型就脱离了，也达不到对应的效果，所以作者采用了一种概率替换的方式。

首先呢，想象我们现在已经训练好了一个6层的BERT，我们成为Predecessor（前辈）, 而我们需要训练一个三层的bert， 他的结果近似12层BERT的效果，我们成为Successor(传承者),那 bert-of-theseus的模型结构如下图^[4]所示：

bert-of-theseus,图源科学空间

在bert-of-theseus中，首先固定predecessor的权重，然后将6层的Bert分为3个block，每个block与successor的一层对应，训练过程分为两个stage：

• 首先用successor中的层概率替换predecessor中对应的block，在下游任务中直接fine-tuning（只训练successor），

• 然后将successor从bert-of-theseus中分离出来，单独在下游任务中进行fine-tuning，直到指标不再上升。

所谓替换，就是输出的替换，在进入下一层前在predecessor和successor的输出中二选一。替换概率作者也给出了两种方式，一种是固定 0.5,一种是线性从0-1,如下图所示：

实验效果

实验代码主要参考bert-of-theseus^[5], 实验主要做了三组，一组文本分类两组ner-crf，结果如下：

文本分类：CLUE的iflytek数据集

ner-crf: 公司数据

可以看到，相比直接那前几层微调，bert-of-theseus的效果确实更好，此外，我还尝试了线性策略的替换概率，效果上差别不大。

实验代码：

• classification_ifytek_bert_of_theseus^[6]

• sequence_labeling_ner_bert_of_theseus^[7]

本文参考资料

[1]

Bert-of-theseus: https://arxiv.org/abs/2002.02925

[2]

All The Ways You Can Compress BERT: http://mitchgordon.me/machine/learning/2019/11/18/all-the-ways-to-compress-BERT.html

[3]

为什么要压缩模型，而不直接训练一个小的CNN: https://www.zhihu.com/question/303922732

[4]

下图: https://spaces.ac.cn/archives/7575

[5]

bert-of-theseus: https://github.com/bojone/bert-of-theseus

[6]

classification_ifytek_bert_of_theseus: https://github.com/xv44586/toolkit4nlp/blob/master/examples/classification_ifytek_bert_of_theseus.py

[7]

sequence_labeling_ner_bert_of_theseus: https://github.com/xv44586/toolkit4nlp/blob/master/examples/sequence_labeling_ner_bert_of_theseus.py

- END -

往期精彩回顾



适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑
本站qq群704220115，加入微信群请扫码：