T5 和 mT5
- T5
-
-
- Architecture：The Best One
-
- 1. Main Body
- 2. Embedding
- 3. Pertrain and Finetune
- 4. Multi-Task Pertrain and Finetune
- 5. T5总结
-
- mT5
T5：
https://arxiv.org/pdf/1910.10683.pdf
T5 blog:https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html
mT5:https://arxiv.org/pdf/2010.11934.pdf
mT5 code:https://github.com/google-research/multilingual-t5
T5
T5 （Transfer Text-to-Text Transformer），Transfer 来自 Transfer Learning，预训练模型大体在这范畴，Transformer 也不必多说，那么 Text-to-Text 是什么呢。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。
T5将任务指令设定在输入文本中，就不需要针对每类任务单独设置特定的FC输出层，所有任务都输出text。对于生成任务(例如机器翻译或文本摘要)很自然，因为任务格式要求模型生成以某些输入为条件的文本。对于分类任务，这是很不寻常的，其中训练T5输出 文本label (例如，用于情感分析的“正”或“负”)而不是类别索引。
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，上斯坦福 cs224n 时 Socher 讲的 The Natural Language Decathlon 也有提。
Architecture：The Best One
一句话总结：T5就是对大型的seq2seq的Transformer结构上做微小改动，进行多任务预训练+微调，把所有NLP任务(翻译、分类、摘要、相似度)转化为text-to-text任务(加入prompt embedding)。
通过大量实验探索最佳的结构与训练方案：
- 不同模型结构比较，LM，BERT-style，Deshuffling，BERT-style的encoder-decoder模型一般比decoder-only（LM）好；
- 不同目标函数比较，BERT-style denoising objective最好；
- 不同corruption rate（MLM）比较，10%，15%，25%，50%，15%最好；
- 不同corrupted span length比较，2，3，5，10，长度为3最好；
- 训练集数据重复比较；
- 训练策略比较：先pretrain再fine-tune的multitask learning非常有竞争力，但是需要谨慎选择不同任务训练频次；
- 模型规模比较：比较了不同size的模型（base，small，large，3B和11B），训练时间，以及融合模型，来决定如何充分利用计算性能。
1. Main Body
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。
三种self-attention：
- fully-visible attention mask：输出序列的每个元素可以看见输入序列的每个元素，如BERT的Encoder结构。
- causal attention mask：输出序列的每个元素只能看对应位置及之前的输入序列的元素，无法看见未来的元素。
- causal with prefix attention mask：输入序列的一部分前缀采用fully-visible attention mask，其余部分采用 causal attention mask。
三种NLP模型结构：
- BERT（NLU）：是一个Transformer Encoder结构（双向attention）。把input从文本空间映射到向量空间，Input经过BERT得到每个token对应的hidden vector。通常我们会把第一个特殊token（CLS）的hidden作为整个input的表示（如图上左）, 或者把所有tokens’ hidden的avg pooling作为整个input的表示（如上图右）。此时得到我们假设这个vector（图中黄色方块）包含了input的所有信息, 也就是把input从文本空间映射到向量空间。之后我们可以利用这个vector做分类或者生成等下游任务。
- GPT（NLG）：是一个Transformer decoder结构（单向attention，从左到右），给定一个向量空间的向量，GPT将会把这个向量映射到文本空间。GPT的主要功能是做生成比如对话生成，给定对话历史在向量空间的vector，GPT可以相应生成文本回复。所以可以理解成我们给定一个向量空间的向量，GPT将会把这个向量映射到文本空间。
- T5（NLU+NLG）：不仅仅是BERT+GPT模型，Encoder: 将文本映射到向量空间； Decoder: 将向量映射到文本空间。T5 encoder和decoder间的关联除了上面提到的hidden vector，还有cross attention。并且T5再做NLU任务时也不是仅仅依靠encoder，而是整个模型都参与进来，由decoder直接生成结果。这样一来，T5淡化了中间的hidden vector（通过encoder得到），把encoder和decoder连为一体，这就使得T5的文本表示功能会存疑。
三种语言模型结构：
-
第一种，Encoder-Decoder 型(Transformer)，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。（Encoder-Decoder结构中，Encoder部分采用fully-visible attention mask，而Decoder部分采用causal attention mask）
-
第二种，Language Model型(GPT)， 相当于上面的 Transformer 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（Language model结构中，采用causal attention mask）
-
第三种，前缀双向可见 Prefix LM 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。（最右侧的Prefix LM结构中，采用causal with prefix attention mask）
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。
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（12层Encoder、12层Decoder）。
T5模型和原始的Transformer结构基本一致，除了做了如下几点改动：
- remove the Layer Norm bias
- place the Layer Normalization outside the residual path
- use a different position embedding
2. Embedding
分词：
位置编码：相对位置编码
朴素思想解决位置远距离位置编码：为了防止输入序列过长导致位置编码无限增大，设置阈值k限制位置编码增长(类似梯度裁剪)
T5位置编码：
T5的 Position Embedding 在 self-attention 的 QK 乘积之后进行：
相对位置编码 和 绝对位置编码：
3. Pertrain and Finetune
Pertrain dataset：C4
Pertrain ：
Finetune： T5采用2种微调方法。
不冻结模型训练效果最佳，但缺点是慢！Adapter layers效果比Gradual unfreezing效果更好。
4. Multi-Task Pertrain and Finetune
仅仅多任务训练不微调，效果不如单任务
有监督预训练：针对不同的任务设定不同的label进行训练
多任务有监督预训练+微调：
模型规模
5. T5总结
- 预训练策略：无监督预训练（破坏原sequence的15%，然后进行预测Maks的token）+ 有监督multi-task预训练（针对不同任务数据集分别进行训练）
- 5种模型大小：S、B、L、3B、11B。
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，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。
mT5
不幸的是，许多这样的语言模型仅在英语文本上进行过预训练。鉴于世界上大约80％的人口不会说英语，这极大地限制了它们的使用(Crystal，2008年)。 社区解决这种以英语为中心的方法之一就是发布数十种模型，这些模型已经在一种非英语语言上进行了预训练(Carmo等人，2020； de Vries等人，2019； Le等人 ； 2019； Martin等人，2019； Delobelle等人，2020； Malmsten等人，2020； Nguyen和Nguyen，2020； Polignano等人，2019等)。 一个更通用的解决方案是生成，已经在多种语言的混合中进行了预训练的多语言模型。 这种类型的流行模型是mBERT(Devlin，2018)，mBART(Liu等，2020)和XLM-R(Conneau等，2019)，它们是BERT的多语言变体(Devlin等，2018)。 ，BART(Lewis等人，2019a)和RoBERTa(Liu等人，2019)。
在本文中，我们通过发布mT5(T5的多语言变体)来延续这一传统。 我们使用mT5的目标是生成一个大规模的多语言模型，该模型尽可能少地偏离用于创建T5的方法。 因此，mT5继承了T5的所有优点，例如其通用的文本到文本格式，基于大规模实证研究得出的观点的设计及其规模。 为了训练mT5，我们引入了称为mC4的C4数据集的多语言变体。 mC4包含从公共“Common Crawl”网络抓取中提取的101种语言的自然文本。
具体来说，我们基于“T5.1.1”方法建立了mT5，对mT5进行了改进，使用GeGLU非线性(Shazeer，2020年)激活函数，在更大模型中缩放dmodel而不是改变dff, 对无标签数据进行预训练而没有dropout等措施。 为简洁起见，更多详细信息请参考Raffel et al. (2019)。
预训练多语言模型的主要因素是如何从每种语言中采样数据。最终，这种选择是零和博弈：如果对低资源语言的采样过于频繁，则该模型可能过拟合；反之亦然。如果高资源语言没有经过足够的训练，则该模型将欠拟合。因此，我们采用(Devlin，2018; Conneau et al.,2019; Arivazhagan et al.,2019)中使用的方法，并根据p(L)∝ |L|α的概率通过采样样本来增强资源较少的语言，其中p(L)是在预训练期间从给定语言采样文本的概率和|L|是该语言中样本的数量。超参数α(通常α<1)使我们可以控制在低资源语言上“boost”训练概率的程度。先前工作使用的值，mBERT(Devlin，2018)是α= 0.7，XLM-R(Conneau等人，2019)的α= 0.3，MMNMT(Arivazhagan等人，2019)的α= 0.2。我们尝试了所有这三个值，发现α= 0.3可以在高资源语言和低资源语言的性能之间做出合理的折衷。
我们的模型涵盖了100多种语言，这需要更大的单词表量。 遵循XLM-R(Conneau et al.,2018)之后，我们将单词表量增加到250,000个单词。 与T5一样，我们使用SentencePiece(Kudo and Richardson，2018; Kudo，2018)单词模型，这些单词模型以与训练期间，使用的相同语言采样率进行训练。 为了适应具有大字符集(例如中文)的语言，我们使用0.99999的字符覆盖率，但还启用了SentencePiece的“byte-fallback”特征，以确保可以唯一编码任何字符串。