论文阅读_知识蒸馏_Distilling_BERT

Posted 2022-10-03

英文题目：Distilling Task-Specific Knowledge from BERT into Simple Neural Networks
中文题目：从BERT中蒸馏指定任务知识到简单网络
论文地址：https://arxiv.org/pdf/1903.12136.pdf
领域：自然语言，深度学习
发表时间：2019
作者：Raphael Tang, 滑铁卢大学
被引量：226
代码和数据：https://github.com/qiangsiwei/bert_distill
阅读时间：2022.09.11

读后感

第一次对大型自然语言模型的蒸馏：将BERT模型蒸馏成BiLSTM模型。

介绍

在自然语言处理方面，随着BERT,GPT等大规模预训练模型的发展，浅层的深度学习模型似乎已经过时了。但由于资源的限制，又需要使用小而快的模型。

文章的动机是讨论：浅层模型是否真的不具备对文本的表示能力？并展示了针对于具体的任务，将BERT蒸馏成单层BiLSTM模型的方法和效果。也通过大模型（起初训练的复杂的模型，后称Teacher/T）和小模型（蒸馏后的模型，后称Student/S）完全不同的模型结构展示了蒸馏与模型结构无关。另外，之前蒸馏模型主要应用于图片建模 ，论文讨论了它在自然语言领域的使用方法。

方法

核心方法包含两部分：增加了logit回归目标；重建蒸馏训练数据集使训练更为有效。

模型结构

将BERT作为教师模型，使用单层的 BiLSTM 作为学习模型的非线性分类器，针对每一种下游任务使用不同模型。如图-1是对单句分类任务设计的学生模型。

图-2展示了用于预测句子匹配度的模型，它们的编码层共享同一BiLSTM模型。

为了更好地对比效果，在学生模型中，未使用注意力归一化等更多技巧。

蒸馏目标

学习模型的目标是在所有数据上，模拟老师模型的行为。除了最终的标签，老师模型预测出的概率也很重要 。比如在情绪分类问题中，一些实例有很强的正面情绪，有一些情绪可能比较中性，所以除了是否，也需要预测程度。

一般预测标签的方法是：

文中使用了logit的优化方法，构造了蒸馏目标：用MSE来惩罚师生模型间的差异：

其中z(B)指的是老师模型BERT，z(S)指学生模型，在初步实验中，MSE比软目标效果更好。

在实际训练时，也使用了传统的交叉熵（对真正目标的预测）和蒸馏损失相结合的方式，最终损失函数如下：

当使用有标签数据训练时，t是实例的标签；使用无标签数据训练时，使用老师模型打标签。

蒸馏的数据增强

在蒸馏过程中，使用小的数据集不足以让老师模型展示出其所有知识，因此，使用了无标签数据扩充训练数据集，用老师模型对其打标签。

增强NLP数据比增强图像数据难度大，没办法使用扭曲等方法，做出的句子可能不够流畅。文中提出了几种数据增强方法：

• 遮蔽：使用类似BERT的方法，这种方法能反应句中每个词对标签的贡献。
• 基于词性的词替换：在词袋里找同一词性的词作替换，以保持原始数据的分布。
• n-gram采样：根据概率，随机采样n个连续的词，它是遮蔽方法的增强版。

实验

使用的是BERT_LARGE作为老师模型，针对特定任务精调，预测时获取预测的logit值，学生模型使用300维的word2vec作为词嵌入。主实验效果如表-1所示：

可以看到同样是使用BiLSTM方法，文中方法相较于其它方法有显著提升。

从表-2可以看到预测速度也有很大提升：