基于BERT預(yù)訓(xùn)練模型壓縮技術(shù)分析

李進(jìn)

摘要：基于語言模型的預(yù)訓(xùn)練已經(jīng)在很多自然語言處理任務(wù)中取得了顯著的性能，然而由于起巨大的模型容量和復(fù)雜的計(jì)算，往往需要消耗大量的存儲(chǔ)資源，在資源受限的設(shè)備上難以發(fā)揮其性能優(yōu)勢(shì)，本文對(duì)當(dāng)前被廣泛應(yīng)用的BERT壓縮技術(shù)從效率，性能以及壓縮強(qiáng)度等多個(gè)角度進(jìn)行了分析。

關(guān)鍵詞：預(yù)訓(xùn)練;模型壓縮;BERT

1預(yù)訓(xùn)練模型BERT

預(yù)訓(xùn)練模型BERT采用Transformer模型中提出的編碼層結(jié)構(gòu)，應(yīng)用了多層堆疊編碼層，每個(gè)編碼層由自注意力子層及前饋神經(jīng)網(wǎng)絡(luò)子層組成，并在每個(gè)子層后應(yīng)用了殘差連接和層正則化操作，以多任務(wù)學(xué)習(xí)作為訓(xùn)練目標(biāo)。任務(wù)一是掩碼預(yù)言模型，即隨機(jī)掩蓋語句子中15%的詞，并通過模型對(duì)掩蓋掉的詞進(jìn)行預(yù)測(cè)，值得注意的是，在BERT中并不是將所選擇15%的詞全部使用MASK標(biāo)簽進(jìn)行掩蓋，而是將其劃分為三份，其中80%用MASK標(biāo)簽掩蓋，10%不做任何操作，10%隨機(jī)替換為其他詞。任務(wù)二是預(yù)測(cè)兩個(gè)句子之間的關(guān)系，即句子B是否為句子A的下文，以此來捕捉句子之間的關(guān)系，BERT模型因?yàn)槠鋸?qiáng)大的性能和泛化能力在多項(xiàng)NLP任務(wù)中取得了最佳性能，但是由于其龐大的模型容量以及對(duì)存儲(chǔ)的巨大消耗，也衍生了很多針對(duì)BERT的壓縮技術(shù)。

2基于知識(shí)精煉技術(shù)的BERT壓縮

知識(shí)精煉技術(shù)是一種常用的模型壓縮手段，其主要的方式主要使子模型去學(xué)習(xí)教師模型的預(yù)測(cè)結(jié)果，從教師模型預(yù)測(cè)得到的更軟的分布中去學(xué)習(xí)教師模型中的知識(shí)，從而使子模型能夠達(dá)到模擬教師模型行為的目的。在BERT模型中同樣也可以應(yīng)用類似的技術(shù)進(jìn)行模型的壓縮。在DistilBERT壓縮中，其壓縮對(duì)象是減少模型的神經(jīng)網(wǎng)絡(luò)層數(shù)，構(gòu)建層數(shù)更少的子模型，通過使用知識(shí)精煉手段，使子模型學(xué)習(xí)教師模型的輸出層的預(yù)測(cè)。同時(shí)設(shè)計(jì)了余弦相似度損失，來對(duì)其子模型和教師模型的隱藏層狀態(tài)，即如果將12層的教師模型壓縮為3層，則另子模型的第1，2，3層分別的輸出分別使用余弦相似度來計(jì)算，其與教師模型第4，8，12層之間的差異。最終子模型的損失函數(shù)包括三項(xiàng)，分別是，BERT模型訓(xùn)練目標(biāo)的損失，知識(shí)精煉的損失，以及余弦相似度計(jì)算得到的損失項(xiàng)。同時(shí)在構(gòu)建子模型初始化時(shí)，放棄了隨即初始化的手段，通過從教師模型中抽取子模型規(guī)模大小的神經(jīng)網(wǎng)絡(luò)層數(shù)來構(gòu)建子模型，成功地將模型容量壓縮了40%，并維持了97%的性能，同時(shí)實(shí)現(xiàn)了60%的加速。

3Tiny-BERT壓縮技術(shù)”

Tiny-BERT壓縮技術(shù)同樣是基于知識(shí)精煉技術(shù)對(duì)BERT模型進(jìn)行壓縮，相比于普通的知識(shí)精煉技術(shù)只在模型的輸出層進(jìn)行約束，Tiny-BERT壓縮針對(duì)構(gòu)成BERT模型的每一層的不同輸出位置都進(jìn)行了約束。如果以學(xué)習(xí)類比，DistilBERT便是直接學(xué)習(xí)了正確答案和部分的中間過程，而Tiny-BERT則是對(duì)中間過程進(jìn)行了更詳細(xì)的拆分，進(jìn)行更細(xì)致的學(xué)習(xí)。在預(yù)訓(xùn)練階段，Tiny-BERT講教師模型中的層分為不同的神經(jīng)網(wǎng)絡(luò)層組，將對(duì)應(yīng)組的知識(shí)精煉于子模型的一層之上，完成多層對(duì)一層的映射。例如，將12NBERT模型壓縮為4層，則將教師模型劃分為3組，令子模型中對(duì)應(yīng)的層學(xué)習(xí)教師模型每組中最后一層的行為。同時(shí)針對(duì)每層網(wǎng)絡(luò)中不同位置的輸出設(shè)計(jì)了不同的知識(shí)遷移方式，例如對(duì)于層輸出和自注意力機(jī)制得到的注意力分布，設(shè)計(jì)了均方誤差損失，來衡量子網(wǎng)絡(luò)和教師網(wǎng)絡(luò)之間的差異。對(duì)于子模型和教師模型的輸入層，同樣應(yīng)用了均方誤差損失，對(duì)輸出層，采用了與DistilBERT同樣的方式，將各個(gè)位置上的損失累加于損失函數(shù)之上作為正則化項(xiàng)，使子模型充分學(xué)習(xí)到教師模型的表現(xiàn)行為。與DistilBERT中復(fù)用了教師模型中的參數(shù)不同，Tiny-BERT壓縮中子模型的參數(shù)采用隨機(jī)初始化的方式，因此可以選擇更小的隱藏層維度，同時(shí)在層的維度和隱藏層的維度對(duì)教師模型進(jìn)行壓縮，壓縮比率更大。此外對(duì)于下游任務(wù)的微調(diào)過程，Tiny-BERT壓縮采用了兩階段學(xué)習(xí)框架，即在對(duì)特定的任務(wù)進(jìn)行微調(diào)時(shí)，同樣使用與預(yù)訓(xùn)練階段同樣的知識(shí)精煉方式，以便于子模型能夠充分捕捉到教師模型中的普遍的域內(nèi)知識(shí)和特定任務(wù)相關(guān)的知識(shí)。最終實(shí)現(xiàn)了只使用133%的參數(shù)量，便達(dá)到了教師模型97%的性能表現(xiàn)。

4對(duì)比分析

目前階段，針對(duì)BERT模型的壓縮主要分為兩個(gè)方面，即對(duì)模型層數(shù)的壓縮和模型的隱藏維度的壓縮。常用的壓縮手段則包括模型的量化，剪枝和知識(shí)精煉。其中知識(shí)精煉因?yàn)槠湫阅軆?yōu)異，操作簡(jiǎn)單成為了主要的研究方向。相比于傳統(tǒng)知識(shí)精煉對(duì)輸出層的約束，對(duì)于BERT模型這種復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，只對(duì)模型的輸出層進(jìn)行約束并不能使子模型充分學(xué)習(xí)到教師模型的性能。因此往往需要設(shè)計(jì)額外的損失函數(shù)來進(jìn)行約束。但是額外的損失計(jì)算也帶來了額外的計(jì)算量，往往需要計(jì)算計(jì)算更多的中間信息的約束狀態(tài)。因此在實(shí)際應(yīng)用過程中，可以根據(jù)計(jì)算成本合理的選擇額外的損失數(shù)量，不同的衡量向量之間差異的指標(biāo)。此外，如果不考慮維度的壓縮，可以考慮復(fù)用教師模型的參數(shù)來構(gòu)建子模型。如果需要縮減隱藏層的維度，則需要重新初始化指定維度的模型，或利用一些特殊的手段從教師模型中得到對(duì)應(yīng)維度的參數(shù)。