NLP预训练发展小结二（Bert之后）

本篇博文简要记录基于Transformer的各类自然语言处理预训练模型（自Bert开始）的特点及使用。

1. Bert

BERT（Bidirectional Encoder Representations from Transformers）做的是一个上下文双向的信息编码器；

Bert与之前的ELMo、GPT相比较：

• ELMo只是拼接LSTM 的正向向量和反向向量，并没有发生交互，所以并不是真正的双向，并且其用的是能力有限的LSTM结构；
• GPT编码器部分采用的是Transformer的Decoder来训练语言模型，但是训练方式为单向。

Bert预训练任务：

• 任务一：Masked LM（MLM）

把输入的句子对进行 WordPiece 处理后，随机选 15% 的 token【MASK】掉，然后对【MASK】掉的 token 进行预测。
MLM 任务会引起一个问题：预训练和下游任务输入不一致，因为下游任务的时候，输入是不带【MASK】的，这种不一致会损害 BERT 的性能，这也是后面研究的改善方向之一。BERT 自身也做出了一点缓解，就是对这 15% 要预测的 token 的输入进行一些调整：
80% 用【MASK】代替；
10% 用随机的词 token 替；
10% 保持原来的 token 不变。

• 任务二：Next Sentence Prediction（NSP）

判断句子对是否是真正连续的句子对。
具体来说，当采样预训练样本时，句子对 A 和 B，B 有 50% 的概率是 A 的真实的后一句；有 50% 的概率是语料库中的随机一句，在预训练时，让模型去学习。

预训练模型应用的两种范式：feature-based & fine-tuning

• feature-based：代表如EMLo，用于下游任务时，用训练好的词向量作为embedding，去初始化RNN/LSTM/CNN 等网络结构，即预训练模型只提供feature-based的embedding；
• fine-tunning：代表如 GPT，用于下游任务时，不仅保留了输入embedding，模型里面的参数（如 attention 层、全连接层）也同样保留，在fine-tuning的时候只需在原来的模型上加一些简单的层，就可以应用于具体的下游任务。

把BERT某些层的向量拿出来，作为token的embedding，这些embedding在后面的任务中不更新，即以feature-based方式使用BERT；另一方式即类似于GPT，将BERT整个结构应用到下游任务上。实验证明，BERT 无论是作为 feature-based 范式还是 fine-tuning 范式，效果俱佳。

2. RoBERTa

RoBERTa（Robustly optimized BERT approach）在BERT基础上做了以下改动：

• 采用更多训练语料
  在 BERT 采用的数据 BOOKCORPUS + English WIKIPEDIA（共 16G）基础上，增加 CC-NEWS（76GB），OPENWEBTEXT（38GB），STORIES（31GB）；

• 采用动态【MASK】
  对于同一个样本，BERT在不同的epoch中【MASK】掉的token不变，而RoBERTa在预训练阶段的每一个step，重新挑选15%的token进行【MASK】；

• 去掉NSP任务
  RoBERTa是采用去掉NSP任务，而且一个样本是从同一个文档里面进行采样；

• 增大batch_size
  BERT的batch_size是256，一共训练了1M步；实验证明采用更大的batch_size以及训练更多步可以提高性能，RoBERTa采用的batch_size是8K；

• 文本编码方式
  BERT 采用的是基于 character level 的 Byte-Pair Encoding（BPE）编码，词表大小是 30K；RoBERTa 采用的是基于 bytes-level 的 BPE 编码，该方法用 bytes（字节）作为基础的子词单元，词表的大小是 50K，好处是可以在不需要引入任何未知字符前提下对任意文本进行编码。

3. ALBERT

ALBERT（A Lite BERT）旨在减少模型参数量，并提出SOP任务：

• 矩阵分解
  BERT 采用的是 WordPiece，大概有 30K 个 token，采用的 embedding 维度为 768，所以参数量约为 3000 * 768 = 2304000；通过一个矩阵分解去代替本来的 embedding 矩阵，embedding 取为 128，则参数量变为 3000 * 128+128 * 768=482304，参数量变为原来的 20%；

• 参数共享
  BERT 的 Transformer 共用了 12 层的 encoder，让这 12 层的 attention 层和全连接层层共享参数；

• SOP任务
  sentence order prediction(SOP)即预测句对的顺序, 正例的构建和NSP是一样的，负例则是将正例的两句话反过来。

• 模型版本
  albert-base、albert-large、albert-xlarge、albert-xxlarge

4. ERNIE

截至本文发出时，百度共推出ERNIE-1.0、ERNIE-2.0、ERNIE-3.0三个版本的ERNIE预训练模型：

ERNIE1.0从两方面做修改：1.Knowledge Integration型【MASK】 ；2.增加对话数据的任务；

ERNIE2.0 的结构与 ERNIE1.0 、BERT 一样，ERNIE2.0 主要是从修改预训练任务来提升效果；

ERNIE3.0增加了知识图谱等外部信息。

5. ELECTRA

模型架构

• 生成器
  首先对一句话里面的 token 进行随机的【MASK】，然后训练一个生成器，对【MASK】掉的 token 进行预测（就是原生 BERT 的 MLM 任务）；生成器对【MASK】掉的 token 预测完后，得到一句新的话；
• 判别器
  将生成器的输出，输入到判别器，判别器判断每个 token，是否是原样本的，还是被替换过的。假如生成器预测出的 token 为原来的 token，那这个 token 在判别器的输出标签里还是算原样本，而不是被替换过的（如上图的 "the"，生成器预测为 "the"，则 "the" 在判别器中的真实标签就为 original，而不是 replaced）。