T5 模型：NLP Text-to-Text 预训练模型
T5 模型：NLP Text-to-Text 预训练模型
摘要
迁移学习，即首先对模型进行数据丰富任务的预训练，然后再对下游任务进行微调，已经成为自然语言处理(NLP)中的一项强大技术。迁移学习的有效性导致了迁移学习方法、方法和实践的多样性。在本文中，我们通过引入一个统一的框架，将所有基于文本的语言问题转换成文本到文本的格式，来探索自然语言处理的迁移学习技术的前景。我们的系统研究比较了数十个语言理解任务的训练前目标、架构、未标记数据集、迁移方法和其他因素。通过结合我们对规模的探索和我们新的大规模清洁爬行语料库的见解，我们在包括摘要、问题回答、文本分类等许多基准上获得了最先进的结果。为了促进NLP迁移学习的未来工作，我们发布了我们的数据集、预训练模型和代码。
Keywords: 迁移学习，自然语言处理，多任务学习，基于注意的模型，深度学习
本篇论文做了很多实验， 如下图所示：
那就是作者在这提出的一个统一框架，靠着大力出奇迹，将所有 NLP 任务都转化成 Text-to-Text （文本到文本）任务。
举几个例子就明白了，比如英德翻译，只需将训练数据集的输入部分前加上“translate English to German（给我从英语翻译成德语）” 就行。假设需要翻译"That is good"，那么先转换成 “translate English to German：That is good.” 输入模型，之后就可以直接输出德语翻译 “Das ist gut.”
再比如情感分类任务，输入"sentiment：This movie is terrible!"，前面直接加上 “sentiment：”，然后就能输出结果“negative（负面）”。
最神奇的是，对于需要输出连续值的 STS-B（文本语义相似度任务），居然也是直接输出文本，而不是加个连续值输出头。以每 0.2 为间隔，从 1 到 5 分之间分成 21 个值作为输出分类任务。比如上图中，输出 3.8 其实不是数值，而是一串文本，之所以能进行这样的操作，应该完全赖于 T5 模型强大的容量。
通过这样的方式就能将 NLP 任务都转换成 Text-to-Text 形式，也就可以用同样的模型，同样的损失函数，同样的训练过程，同样的解码过程来完成所有 NLP 任务。其实这个思想之前 GPT2 论文里有提。
Data：C4 （Bomb!）
作者从 Common Crawl（一个公开的网页存档数据集，每个月大概抓取 20TB 文本数据） 里清出了 750 GB 的训练数据，然后取名为 ” Colossal Clean Crawled Corpus （超大型干净爬取数据）“，简称 C4，论作者取名之恶趣味。
大概清理过程如下：
- 只保留结尾是正常符号的行；
- 删除任何包含不好的词的页面，具体词表参考List-of-Dirty-Naughty-Obscene-and-Otherwise-Bad-Words库（笔者按：宝藏库，到里面转了一圈，看了看熟悉的几门语言，瞬间涨了不少新姿势 ）；
- 包含 Javascript 词的行全去掉；
- 包含编程语言中常用大括号的页面；
- 任何包含”lorem ipsum（用于排版测试）“的页面；
- 连续三句话重复出现情况，保留一个。
Architecture：The Best One
首先作者们先对预训练模型中的多种模型架构（Transformer）进行了比对，最主要的模型架构可以分成下面三种。
第一种，Encoder-Decoder 型，即 Seq2Seq 常用模型，分成 Encoder 和 Decoder 两部分，对于 Encoder 部分，输入可以看到全体，之后结果输给 Decoder，而 Decoder 因为输出方式只能看到之前的。此架构代表是 MASS（今年WMT的胜者），而 BERT 可以看作是其中 Encoder 部分。
第二种， 相当于上面的 Decoder 部分，当前时间步只能看到之前时间步信息。典型代表是 GPT2 还有最近 CTRL 这样的。
第三种，Prefix LM（Language Model） 型，可看作是上面 Encoder 和 Decoder 的融合体，一部分如 Encoder 一样能看到全体信息，一部分如 Decoder 一样只能看到过去信息。最近开源的 UniLM 便是此结构。
上面这些模型架构都是 Transformer 构成，之所以有这些变换，主要是对其中注意力机制的 Mask 操作。
如下图，最左边的是fully-visible mask，编码每个token的时候能看到上下文的所有信息，中间的是causal mask，编码token的时候只能看到上文的信息，右边的是两者的相结合，prefix部分的token能看到prefix所有token的信息，非prefix的token只能看到它的上文信息，什么叫prefix呢？如上面提到的英文翻译德文的例子，prefix就是"translate English to German: That is good."；
通过实验作者们发现，在提出的这个 Text-to-Text 架构中，Encoder-Decoder 模型效果最好。于是乎，就把它定为 T5 模型，因此所谓的 T5 模型其实就是个 Transformer 的 Encoder-Decoder 模型。
Objectives：Search，Search，Search
之后是对预训练目标的大范围探索，具体做了哪些实验，下面这张图就能一目了然。
总共从四方面来进行比较。
第一个方面，高层次方法（自监督的预训练方法）对比，总共三种方式。
- 语言模型式，就是 GPT-2 那种方式，从左到右预测；
- BERT-style 式，就是像 BERT 一样将一部分给破坏掉，然后还原出来；
- Deshuffling （顺序还原）式，就是将文本打乱，然后还原出来。
其中发现 Bert-style 最好，进入下一轮。
第二方面，对文本一部分进行破坏时的策略，也分三种方法。 - Mask 法，如现在大多模型的做法，将被破坏 token 换成特殊符如 [M]；
- replace span（小段替换）法，可以把它当作是把上面 Mask 法中相邻 [M] 都合成了一个特殊符，每一小段替换一个特殊符，提高计算效率；
- Drop 法，没有替换操作，直接随机丢弃一些字符。
此轮获胜的是 Replace Span 法，类似做法如 SpanBERT 也证明了有效性。
当当当，进入下一轮。
第三方面，到底该对文本百分之多少进行破坏呢，挑了 4 个值，10%，15%，25%，50%，最后发现 BERT 的 15% 就很 ok了。这时不得不感叹 BERT 作者 Devlin 这个技术老司机直觉的厉害。
接着进入更细节，第四方面，因为 Replace Span 需要决定对大概多长的小段进行破坏，于是对不同长度进行探索，2，3，5，10 这四个值，最后发现 3 结果最好。
终于获得了完整的 T5 模型，还有它的训练方法。
Transformer Encoder-Decoder 模型；
BERT-style 式的破坏方法；
Replace Span 的破坏策略；
15 %的破坏比；
3 的破坏时小段长度。
到此基本上 T5 预训练就大致说完了，之后是些细碎探索。
Datasets
接着作者们拿着 C4 数据集做了各种实验，比如说从里面分出各种类型的数据集，单独训练 T5 模型，之后看在下游任务的表现，发现一些情况领域内的预训练数据可以增强下游任务（想当然的）。而 C4 完整数据集因为数据太多太杂，可能反而不如这种领域内较少数据集。
还有从 C4 中抽出不同量数据做实验，发现数据少时，模型会记住数据所以之后表现会比较差（这个也是想当然）。
Training：Multi-Task Learning
作者们之后又针对 MTDNN 给 T5 做了一系列类似训练，在一堆监督和非监督数据上进行预训练。
结果发现，只要混合训练比例调得OK，和前面说的非监督预训练性能差不多。
Scaling：bigger is better?
接着又做了当放大模型某方面规模的相关实验，分别是增大模型，增大数据，还有在一定资源限制下的集成。
结论是，当这些因素放大时对性能都有提高，但其中大模型是最必要的。
Models
最后就是结合上面所有实验结果，训练了不同规模几个模型，由小到大：
Small，Encoder 和 Decoder 都只有 6 层，隐维度 512，8 头；
Base，相当于 Encoder 和 Decoder 都用 BERT-base；
Large，Encoder 和 Decoder 都用 BERT-large 设置，除了层数只用 12 层；
3B（Billion）和11B，层数都用 24 层，不同的是其中头数量和前向层的维度。
11B 的模型最后在 GLUE，SuperGLUE，SQuAD，还有 CNN/DM 上取得了 SOTA，而 WMT 则没有。看了性能表之后，我猜想之所以会有 3B 和 11B 模型出现，主要是为了刷榜。看表就能发现
比如说 GLUE，到 3B 时效果还并不是 SOTA，大概和 RoBERTa 评分差不多都是 88.5，而把模型加到 11B 才打破 ALBERT 的记录。然后其他实验结果也都差不多，3B 时还都不是 SOTA，而是靠 11B 硬拉上去的。除了 WMT 翻译任务，可能感觉差距太大，要拿 SOTA 代价过大，所以就没有再往上提。根据这几个模型的对比，可以发现即使是容量提到 11B，性能提升的间隔还是没有变缓，因此我认为再往上加容量还是有提升空间。