【论文解读】(如何微调BERT？) How to Fine-Tune BERT for Text Classification?

论文信息

论文地址：https://arxiv.org/pdf/1905.05583.pdf

论文年份：2019年05月

论文代码: https://github.com/xuyige/BERT4doc-Classification

论文引用量：1191 （截止2023-04-28）

论文阅读前提：熟悉NLP、深度学习、Transformer、BERT、多任务学习等。

1. 论文内容

现在NLP任务方式大多都是对BERT进行微调。例如：我们要做一个电影评论情感分类的任务，那就可以直接把BERT拿过来，换上自己的分类头，然后使用电影评论的数据集进行训练，最终就可以得到一个还不错的模型。（这个过程称为微调(fine-tune)）

然而，目前针对“如何对BERT进行微调会比较好”的研究不多（例如学习率怎么选择、应该选择怎样的策略等等）。所以，该论文就使用分类任务对“如何微调BERT”进行了研究，这也是论文的题目“ How to Fine-Tune BERT for Text Classification?”。

2. 论文结论

该论文通过实验，得出了许多结论，可以供我们在使用BERT做特定任务时进行参考。

2.1 微调流程

作者通过实验得出最好的微调流程为：

最好的微调流程需要三步：

1. Further Pre-training（更多的预训练）：对BERT进行更多的预训练。该步骤使用和BERT相同的无监督任务MLM和NSP任务即可，但注意需要使用目标任务领域的数据集。例如：我们的任务是“电影评论情感分类”，那么我们第一步应该是收集大量的电影评论(无需带标签)，然后使用MLM和NSP任务对BERT进行无监督训练。
2. Multi-Task Fine-Tuning（多任务微调）：使用多任务对BERT进行微调，即把多个相关的任务放在一起同时让BERT学习。例如：我们的任务是“电影评论情感分类”，为一个三分类任务(消极、中性和积极)。同时我们还有两个相关的任务“电影类型分类(12个类别)”和“电影评分预测(5分类)”，此时我们的模型就为BERT加三个分类头(分别为3/12/5分类)，然后将这三个任务的数据混在一起同时给模型学习。学习过程中根据当前数据选择应该用哪个分类头。
3. Single-Task Fine-Tuning（单任务微调）：对BERT进行单任务微调。就是直接使用最终的任务进行有监督学习。例如：我们的任务是“电影评论情感分类”，那么我们就使用带标签的电影评论数据集对BERT进行训练。

大多数人可能都忽略了前两步，直接使用“单任务微调”的方式训练BERT，最终的结果总是差那么点意思。

2.2 微调策略(Fine-Tuning Strategies)

作者探究了微调BERT的一些基本的策略，例如学习率、长文本处理方式等。最终得出了以下结论：

1. 最好的长文本的处理方式是“head+tail”。即当输入文本长度大于510时，截取文本开头128个字符和文本末尾382个字符效果最好。（BERT最多接收512个token，算上“开始”和“结束”标记，最多接收510个token）
2. 最好的特征表示就是最后一层的特征。BERT有12层Transformer Encoder，每层的特征都不太一样，使用最后一层的特征效果最好。（这个结论不需要特别在意，正常BERT使用的就是最后一层的特征）
3. 最好的学习率是 $2e-5$，这样可以有效的避免“灾难性遗忘(Catastrophic Forgetting)”。（batch_size为32）
4. BERT越靠近输入层的学习率应该越低，反之应该越高。衰减因子(decay factors)取0.95较好。即，对于第12层TransformerEncoder，学习率取 $2e-5$，第11层取 $(2e-5)\ast 0.95$，第10层取$(2e-5)\ast 0.95^2$，以此类推。

2.3 Further Pretrain

Further Pretain是指在正式使用目标任务训练BERT前，先使用该领域(In-domain)的数据对BERT进行无监督训练(训练BERT时用的MLM任务和NSP任务)。

例如：我们要训练一个电影评论情感分类模型，那么就是收集一堆无标签的电影评论数据，然后使用MLM和NSP任务对BERT进行无监督训练。

作者的得出的结论如下：

1. 训练10w个step效果最好。（更新一次参数算一个step）
2. 选择预训练数据集时，选择与目标任务相同领域(In-domain)的数据。例如：你的任务是情感分类，那么预训练时就选一些情感分类的数据集。
3. 选择预训练数据集时，选择与目标任务相同分布的数据。例如：你的任务是电影评论情感分类，那么就选电影评论数据。如果你用外卖评论数据进行预训练，最终结果可能还不如不做预训练。
4. 当训练数据较小(few-shot)时，使用Further Pretrain可以得到较好的结果。
5. 对于BERT Large模型同样能得到以上结论。

---

上述就是论文得出的所有结论，接下来讲解论文中所做的实验，若不感兴趣，可以不看。

3. 论文实验介绍

3.1 实验数据集介绍

作者使用了7个数据集进行实验，共三种类型，分别为：情感分类(Sentiment Analysis)、问题分类(Question Classification)和主题分类(Topic Classification)。数据集如下表：

其中 IMDb 是二分类的电影评论情感分类， Yelp是商户评论情感分类（类似大众点评），Sogou News是中文数据集。

3.2 实验超参数

Further Pretrain BERT的实验使用的相关超参数如下：

• BERT：BERT-base（hidden_size:768，12层Transformer，12个attention head）
• batch size: 32
• 最大句子长度(max squence length)：128
• 学习率：5e-5
• train step: 10w
• warm-up step: 1w

fine-tune BERT的实验使用的相关超参数如下：

• batch size: 24
• dropout: 0.1
• Adam: ${\beta }_1=0.9,{\beta }_2=0.999$
• 学习率策略：slanted triangular learning rates（一种warmup的学习率策略）
• base learning-rate: 2e-5
• warm-up proportion: 0.1
• epoch: 4

3.3 Fine-Tuning策略探索

3.3.1 处理长文本

BERT一次能够接收最长的token数量为512，算上开始和结束这两个特殊的token，相当于一次能够接收510个token。

因此，对于那些token数超过510的文本，需要对其进行处理。作者实验了不同的处理方式，包括以下几种：

• head-only：只用文本的前510个token。
• tail-only：只用文本末尾的510个token。
• head+tail：文本的前128token和文本末尾382个token。（根据经验选的）
• Hierarchical methods：将长文本分成由510个token组成的小块，然后对每一块都喂给BERT，得到每一块的向量表示。最后将这些向量表示融合起来。作者使用了三种融合方式：
  • hier. mean: 平均池化。
  • hier. max: 最大池化。
  • hier. self-attention：使用自注意力的方式融合。

最终的结果如下表：

在IMDb和Sogou这两个数据集上，均为“head+tail”的方式效果最好。

3.3.2 不同层的特征探索

众所周知，BERT是由12层Transformer Encoder堆叠而成的，每一层的输出都是输入的特征向量表示，通常我们使用的是最后一层的输出作为输入的最终特征，然后将其送给分类头进行预测。

而作者在想，用最后一层的Transformer Encoder作为特征向量真的就最好吗？所以它就使用每一层的特征向量进行了实验，最终得到如下表结果：

实验代码在codes/fine-tuning/modeling_last_concat_avg.py

最终实验表示使用最后一层的Transformer特征效果最好，这和预期的一样。

TODO：论文中的 First/Last 4 Layers + concat/mean/max 表示什么意思我也不太清楚。论文没有解释，且提供的代码里也没有找到关于它们的影子。

3.3.3 学习率探索（灾难性遗忘探索）

灾难性遗忘(Catastrophic forgetting)是指预训练模型在学习新的知识后把过去老的知识给忘了。这是迁移学习中常见的一个问题。

通常该问题是因为学习率太大引起的。学习率太大会导致灾难性遗忘，学习率太小又会无法学会新的知识，所以要学选择一个合适的学习率。

作者在IMDb数据集上选择不同学习率进行了实验：

最终作者得出结论：当学习率为2e-5时，模型收敛最好，且不容易出现灾难性遗忘问题。

3.3.4 不同层使用不同学习率

通常，越靠近输出层的网络应使用较高的学习率，所以作者探索了一下应该如何为BERT的每一层设计学习学习率。

作者使用的方式为根据衰减因子$\xi$ 进行学习率逐层衰减。例如，学习率取2e-5，衰减因子取0.95，则第12层的Transformer使用 2e-5 的学习率，第11层学习率为 (2e-5)*0.95 ，第10层为 (2e-5)*0.95²，第9层为 (2e-5)*0.95³，依次类推。

作者的实验结果如下：

实验结论为：学习率取2e-5，衰减因子为0.95时效果最好。

3.2 Further Pretraining探索

作者探索了如何进行Further Pretrain效果最好。

3.2.1 step次数

既然要对BERT进行更多的预训练，那训练多少次合适呢？作者在IMDb数据集上进行了实验：

结果显示，当step数为10w时，效果最好。

BERT-ITPT-FiT为“BERT +withIn-Task Pre-Training + Fine-Tuning”，意思是使用原始的BERT进行Further Pretraining，然后再进行fine-tune。

3.2.2 使用交叉领域(Cross-Domain)数据进行Further Pretrain

作者尝试了若Further Pretrain时使用交叉领域的数据会不会好一点呢？

作者的数据集有三种任务：情感分类、问题分类和主题分类。他将这三种看做是不同领域(different domain)然后进行实验。

实验结果如下表：

该表的意思如下：

• 数字表示错误率，错误率越低表示模型表现越好。
• 第1行第1列的“4.37”表示使用IMDb数据进行Further Pretain后在IMDb数据集上的表现。
• 第2行第1列的“5.24”表示使用Yelp P.数据集进行Further Pretrain后在IMDb数据集上的表现
• 第4行第1列的“4.88”表示在所有的情感分类数据集(IMDb+Yelp P.+Yelp F.)上进行Further Pretrain后在IMDb上的表现
• 第11行第1列的“5.18”表示使用所有数据集进行Further Pretrain后在IMDb上的表现
• 最后一行第1列的“5.40”不进行Further Pretrain，在IMDb上的表现。
• 其他数据同理

从上表可以得出如下结论：

1. 使用同一领域(In-domain)的数据集对BERT进行Further Pretrain效果会变好。（图上的加粗字体基本都在对角线上）。
2. 使用交叉领域(Cross-domain)的数据集Further Pretrain效果不佳。
3. 进行Further Pretraining时尽量选择数据是同一分布的。例如：使用Yelp数据进行Further Pretraining后用在IMDb上的效果比较差，原因可能就是因为他们一个是商户评论，一个是电影评论，数据分布差的比较大。

3.2.3 比较不同的模型与BERT微调策略

作者比较了一些其他模型和使用不同BERT训练策略的结果，如下表：

数字表示错误率，越低越好。Avg为相比BERT-Feat，错误率下降的平均比率。

其他模型就不介绍了，不是重点。作者使用的BERT策略如下：

• BERT-Feat：BERT as Features. 应该是指不训练BERT，只训练后面的分类头。
• BERT-FiT：BERT+FineTuning. 对BERT进行微调。应该是直接使用目标任务的数据进行单任务训练
• BERT-ITPT-FiT：BERT+withIn-Task Pre-Training+Fine-Tuning。首先对BERT使用目标任务的数据进行Further Pretrain，然后再使用目标任务进行微调。例如：IMDb先使用IMDb的数据进行Further Pretrain，再使用IMDb数据进行FineTune。
• BERT-IDPT-FiT：BERT + In-Domain Pre-Training + Fine-Tuning。先使用In-Domain的数据集进行Further Pretrain，然后再使用目标任务数据进行单任务训练。例如：IMDb先使用情感分类任务的数据(IMDb+Yelp P+Yelp F)进行Further Pretraining，然后在使用IMDb数据进行FineTune.
• BERT-CDPT-FiT：BERT + Cross-Domain Pre-Training + Fine-Tuning。先使用Cross-Domain的数据进行Further Pretrain，然后再使用目标任务数据进行单任务训练。例如：IMDb先使用问题分类的数据(TREC+Yah A+AG)的数据进行Further Pretraining，然后在使用IMDb数据集进行FineTune。

最终的出的结论为：BERT-IDPT-FiT效果最好。这和上面的实验结论也一致。

3.3 多任务微调探索

通常，多任务训练可以让模型学会更加通用的特征表示，使模型的泛化性更强，提高模型的性能。

作者也对多任务进行了探索。作者使用IMDb、Yelp P、AG、DBP四个数据集进行多任务学习。

多任务就是同时学习多个任务。对于作者的实验来说，就是使用一个BERT，但为四个数据集分别使用不同的分类头(它们的类别数不一样，当然就算一样也肯定是不同的分类头)，然后将四个数据集的数据混到一块进行学习。

最终的结果如下表：

• BERT-MFiT-FiT：BERT+Multi-task Fine-Tuning+FineTuning。即先使用Multi-task对模型进行FineTune，然后再使用目标任务对模型进行FineTune。例如：对于IMDb来说，就是先使用“IMDb+Yelp P+AG+DBP”数据集进行MultiTask训练，然后再使用IMDb数据集进行FineTune。
• BERT-CDPT-MFiT-FiT：BERT + Cross-Domain Pre-Training +Multi-task Fine-Tuning+ Fine-Tuning。即先进行Cross-Domain的Further Pretrain，在进行MultiTask训练，最后再进行单任务训练。例如，对于IMDb来说，就是先使用“IMDb+Yelp P+AG+DBP”数据集对BERT进行Further Pretraining，然后再使用“IMDb+Yelp P+AG+DBP”对模型进行MultiTask训练，最后在使用IMDb数据集进行FineTune。

这里为什么没有“BERT-IDPT-MFiT-FiT”？这是因为作者选用的这四个数据集属于Cross-Domain的，如果要做In-Domain的实验，就不是这组数据了。作者没做相应的实验。

作者相应的部分实验代码如下（codes/fine-tuning/modeling_multitask.py）：

class BertForSequenceClassification(nn.Module):
	...
    def __init__(self, config, num_labels):
        super(BertForSequenceClassification, self).__init__()
        self.bert = BertModel(config)
        self.dropout = nn.Dropout(config.hidden_dropout_prob)
        self.classifier_1 = nn.Linear(config.hidden_size, 2)  # IMDb数据的分类头
        self.classifier_2 = nn.Linear(config.hidden_size, 2)  # Yelp数据的分类头
        self.classifier_3 = nn.Linear(config.hidden_size, 4)  # AG数据的分类头
        self.classifier_4 = nn.Linear(config.hidden_size, 14) # DBP数据的分类头
        ...

    def forward(self, input_ids, token_type_ids, attention_mask, labels=None, dataset_labels=None):
    	# 训练过程中，每个step过来的一批数据是IMDb、Yelp P、AG、DBP的其中一个。
        _, pooled_output = self.bert(input_ids, token_type_ids, attention_mask)
        pooled_output = self.dropout(pooled_output)
        # 若数据是IMDb，则使用classifier_1分类头
        if dataset_labels[0].item()==1:logits = self.classifier_1(pooled_output)
        # 若数据是Yelp，则使用classifier_2分类头
        if dataset_labels[0].item()==2:logits = self.classifier_2(pooled_output)
        # 若数据是AG，则使用classifier_3分类头
        if dataset_labels[0].item()==3:logits = self.classifier_3(pooled_output)
        # 若数据是DBP，则使用classifier_4分类头
        if dataset_labels[0].item()==4:logits = self.classifier_4(pooled_output)
        if labels is not None:
            loss_fct = CrossEntropyLoss()
            loss = loss_fct(logits, labels)
            return loss, logits
        else:
            return logits

3.4 小样本探索

通常我们的目标任务的训练数据集都是比较少的，作者针对这种情况做了对比实验。

作者的实验为：只使用IMDb数据集的一部分（例如10%），然后进行BERT-FiT和BERT-ITPT-FiT的对比实验。

结果如下图：

从结果中可以看到，但只取0.4%的IMDb数据集时，做withIn-task Pretraining和不做差距还是挺大的。不过随着数据集的增大，差距越来越小，不过总归是有差距。

实验结论为：当训练数据较小(few-shot)时，使用Further Pretrain可以得到较好的结果。

3.5 对BERT-Large使用Further Pretraining

上面的实验已经证明了对BERT-base使用Further Pretraining是有效果的，但对BERT-Large是否还有同样的效果呢？作者也做了实验，实验结果如下表：

从实验结果看，BERT-Large增加ITPT后同样可以减小错误率。

4. 总结

作者中了一系列实验总结出微调BERT的一套方法论，即先进行In-Domain的Further Pretraining，然后进行多任务学习，最后再使用目标任务进行单任务微调。并且作者还对这些步骤的长文本处理、学习率选择等做了一些实验指导。