Roberta: Bert调优

最近要开始使用Transformer去做一些事情了，特地把与此相关的知识点记录下来，构建相关的、完整的知识结构体系。

以下是要写的文章，文章大部分都发布在公众号【雨石记】上，欢迎关注公众号获取最新文章。

• Transformer:Attention集大成者
• GPT-1 & 2: 预训练+微调带来的奇迹
• Bert: 双向预训练+微调
• Bert与模型压缩
  • Bert与模型蒸馏：PKD和DistillBert
  • ALBert: 轻量级Bert
  • TinyBert: 模型蒸馏的全方位应用
  • MobileBert: Pixel4上只需40ms
  • 更多待续
• Transformer + AutoML: 进化的Transformer
• Bert变种
  • Roberta: Bert调优
  • Electra: 判别还是生成，这是一个选择
  • Bart: Seq2Seq预训练模型
  • Transformer优化之自适应宽度注意力
  • Transformer优化之稀疏注意力
  • Reformer: 局部敏感哈希和可逆残差带来的高效
  • Longformer: 局部attentoin和全局attention的混搭
    -Linformer: 线性复杂度的Attention
  • XLM: 跨语言的Bert
  • T5 (待续)
  • 更多待续
• GPT-3
• 更多待续

Overall

Bert出来以后，迅速引爆了NLP领域，出现了很多的针对模型的改进。然而，Roberta用实力表明，只对原来的Bert模型调优就可以有明显的提升。

Roberta，是Robustly Optimized BERT Approach的简称。

Robustly用词很赞，既有“鲁棒的”，又有”体力的”。Roberta是一片实验为基础的论文，有点体力活的意思，但是结果又非常的鲁棒可信赖。

先来回顾一下Bert中的一些细节：

• 在输入上，Bert的输入是两个segment，其中每个segment可以包含多个句子，两个segment用[SEP]拼接起来。
• 模型结构上，使用Transformer，这点跟Roberta是一致的。
• 学习目标上，使用两个目标：
  • Masked Language Model(MLM): 其中15%的token要被Mask，在这15%里，有80%被替换成[Mask]标记，有10%被随机替换成其他token，有10%保持不变。
  • Next Sentence Prediction: 判断segment对中第二个是不是第一个的后续。随机采样出50%是和50%不是。
• Optimizations:
  • Adam, beta1=0.9, beta2=0.999, epsilon=1e-6, L2 weight decay=0.01
  • learning rate, 前10000步会增长到1e-4, 之后再线性下降。
  • dropout=0.1
  • GELU激活函数
  • 训练步数：1M
  • mini-batch: 256
  • 输入长度: 512
• Data
  • BookCorpus + English Wiki = 16GB

Roberta在如下几个方面对Bert进行了调优：

• Masking策略——静态与动态
• 模型输入格式与Next Sentence Prediction
• Large-Batch
• 输入编码
• 大语料与更长的训练步数

Masking策略——静态与动态

原来的Bert中是在训练数据中静态的标上Mask标记，然后在训练中是不变的，这种方式就是静态的。

Roberta尝试了一种动态的方式，说是动态，其实也是用静态的方式实现的，把数据复制10份，每一份中采用不同的Mask。这样就有了10种不同的Mask数据。

从结果中，可以看到动态mask能带来微小的提升。

模型输入格式与Next Sentence Prediction

Bert的模型输入中是由两个segment组成的，因而就有两个问题：

• 两个segment是不是必要？
• 为什么是segment而不是单个的句子？

因此设置了四个实验：

• Segment-Pair + NSP
• Sentence-Pair + NSP: 只用了sentence以后，输入的长度会变少，为了使得每一步训练见到的token数类似，在这里会增大batch size
• Full-Sentence: 每一个样本都是从一个文档中连续sample出来的，如果跨过文档边界，就添加一个[SEP]的标记，没有NSP损失。
• Doc-Sentence: 类似于Full-Sentence，但是不会跨过文档边界。

从实验结果中可以看到，改用Sentence-Pair会带来一个较大的损失。猜测是因为这样无法捕捉long-term的依赖。

另外，Full-Sentence和Doc-Sentence能够带来微小的提升，说明NSP不是必须的。

这点跟Bert中的消融实验结论相反，但是请注意它们的输入还是不同的，原始Bert中的输入是Segment-Pair，有50%/50%的采样，而Full/Doc-Sentence中则是从文章中连续sample来的句子。

因为Doc-Sentence会导致不同的batch_size（因为要保证每个batch见到的token数类似），所以在Roberta中，使用Full-Sentence模式。

Large-Batch

现在越来越多的实验表明增大batch_size会使得收敛更快，最后的效果更好。原始的Bert中，batch_size=256，同时训练1M steps。

在Roberta中，实验了两个设置：

• batch_size=2k, 训练125k steps。
• batch_size=8k, 训练31k steps。

从结果中看，batch_size=2k时结果最好。

输入编码

不管是GPT还是Bert，都是用的BPE的编码方式，BPE是Byte-Pair Encoding的简称，是介于字符和词语之间的一个表达方式，比如hello，可能会被拆成“he”, “ll”, “o”, 其中BPE的字典是从语料中统计学习到的。

原始Bert中，采用的BPE字典是30k， Roberta中增大到了50K，相对于Bert_base和Bert_large会增加15M/20M的参数。

增大语料和训练步数

增大语料和训练步数还是能带来比较大的提升的。

Roberta

就是上面所有改进的总和。可以看到，在各项任务中的提升还是很大的。Roberta的训练在1024个 V100GPU上训练一天左右。

思考与总结

从上面的各种实验结果中看，可以得到如下结论：

• NSP不是必须的loss
• Mask的方式虽不是最优但是已接近。
• 增大batch size和增大训练数据能带来较大的提升。

由于Roberta出色的性能，现在很多应用都是基于Roberta而不是原始的Bert去微调了。

勤思考， 多提问是Engineer的良好品德。

提问如下：

• 继续增大数据集，还有没有可能提升？数据集的量与所带来的提升是一个什么分布？
• 不管是Bert还是Roberta，训练时间都很长，如何进行优化？

回答后续公布，欢迎关注公众号【雨石记】

参考文献

• [1]. Liu, Yinhan, et al. “Roberta: A robustly optimized bert pretraining approach.” arXiv preprint arXiv:1907.11692 (2019).