模型也可以上网课？手把手教你在query-doc匹配模型上实现蒸馏优化！

Posted 2022-03-08 QcloudCommunity

导语 | 本文主要介绍我们在视频的query-doc匹配模型上进行的模型蒸馏技术优化，第一章介绍知识蒸馏概念、业务模型难点以及现有方案不足；第二章介绍匹配模型细节以及模型蒸馏整体框架；第三章介绍我们在蒸馏方案上的优化点，包括ALBERT/CNN学生模型选择、更好的teacher得分loss指导以及AutoML搜索；第四章是模型压缩实验结果展示。

一、 前言

（一）知识蒸馏

知识蒸馏（Knowledge Distillation）概念是由Hinton在NIPS2014提出，旨在把一个或多个模型（teacher模型）学到的知识迁移到另一个模型（student模型）上，student模型通常使用轻量化的模型，来达到模型压缩的效果。

我们利用模型蒸馏技术，对query-doc匹配的BERT模型进行压缩，最终得到一个1L的轻量BERT模型并成功上线接入。本文将对相关技术方案进行介绍。

（二）现有方案

现有蒸馏方案，如TinyBERT，DistillBERT等，都只对原始的12L BERT模型进行一定尺度内的压缩，最多压缩到4L，hiddensize 312的时候，精度下降就已经很严重了。在现在的任务上，直接复用现有方案，是没办法达到上线要求的，因此，我们在此基础上提出了一系列优化方案，主要目的是保证模型大小更进一步压缩的时候，尽量减少AUC的损失。

我们的优化方案，包括student模型选择(1L ALBERT和textCNN)，更好的teacher模型指导(relevance loss)以及AutoML搜索能力的加入(蒸馏超参调优)，下面会详细介绍。

二、 模型介绍

（一）query-doc匹配模型

原始匹配模型结构如下。模型接收一个文本对query-doc的输入，经过BERT-encoder编码，得到seq_len长度的hidden state，我们选取: cls位置的hidden vector、所有hidden state的max pool vector、average pool vector三者进行拼接，经过两个线性层和激活层Tanh的处理，最终得到1-dim的匹配分数score。

模型训练阶段。我们将每条训练数据（[query，positive doc，negative doc]三元组）处理为(query，positive doc) (query，negative doc)两个文本对，经过上述处理得到对应的positive score和negative score，然后使用这两个分数计算hinge loss（详见下文loss计算部分），作为训练任务的loss值。

在模型结构上，通过finetune训练了减少layer Num/hidden size/immediate size的BERT模型。通过添加Mask Language Mask和Named Entity Recognition的任务进一步优化匹配AUC，最终我们得到了AUC 0.845，latency12ms的 64hidden_size-128immediate_size-4L BERT，以及AUC 0.831，latency 6.7ms的64hidden_size-128immediate_size-2L BERT。为进一步减少模型latency并维持高精度，我们决定采用模型蒸馏工作，使用4L BERT作为teacher模型，蒸馏到更加轻量的模型结构上，同时尽量保证精度不下降。

（二）蒸馏框架

• 整体流程

如上图所示，参考经典的蒸馏框架Distilled BiLSTM ，我们将蒸馏点选在最后的score层，将模型正负样本对(query，postitive doc) ( query，negative doc) 的两个输出值(postitive score，negative score)拼接作为logits，用于计算蒸馏的soft loss，hardloss即为student模型和ground truth计算的的hinge loss。最终的distill loss由softloss和hardloss两部分加权获得(见下一节Loss计算)。

训练过程中，固定finetune好的teacher（4L BERT）参数，只利用distill loss对student模型进行梯度优化。

• Loss计算

模型蒸馏的损失函数通常由soft loss和 hard loss两部分组成，soft loss使用MSE计算student logits和teacher logits的距离，使得student模型可以学到大模型teacher的知识；hard loss为ground truth和student模型输出的hinge loss，从而对teacher的错误知识做一定的纠偏。

• Hinge Loss

该任务中选择了匹配模型常见的hinge Loss作为hard loss，采用业务方经验值0.7做为阈值，对正负样本对得分

进行loss计算：

• MSE loss
  

Soft loss用于让student模型的输出接近于teacher模型，从而尽可能学习到teacher模型所携带的信息。

首先，我们采用student和4L bert teacher模型输出的均方误差（MSE）计算logits loss。

此外，为了提升蒸馏模型精度，我们利用加入多维度匹配得分特征训练的更好的下游相关性模型（GBDT）作为额外的teacher指导模型蒸馏（详见第三章第2小节），它的损失我们记为relevance loss()，计算方式与logits loss类似：

• Distill Loss

为了加快模型收敛速度，我们用指数的方式对上文的每个loss进行放大（下方公式）。另外对soft loss之间的加权，以及soft loss和hard loss的加权都应用了相应权重控制（α和β），并配合下文中的AutoML能力搜索最为合适的权值。

三、压缩方案优化

（一）更轻量的student模型选择

• ALBERT模型选择

为了尽量压缩模型的latency，在transformer结构上，我们需要把student BERT的层数缩减到2层甚至1层。考虑到这种情况下，模型本身参数量已经非常少了，蒸馏的时候初始化参数如果从teacher模型中取的话，只能复用上很少一部分的参数量，我们最终选择ALBERT模型来作为teacher和student模型结构。ALBERT的特点之一是采用了层间参数共享的机制，举例来说说，一个4L的BERT模型中，每一层都共享使用的同一层的模型参数，我们使用一个更小的ALBERT模型蒸馏的时候，可以从teacher的共享层参数中做初始化。这样的好处是可以从共享层的参数中尽可能多的继承teacher模型的预训练信息，让蒸馏过程中的student模型更容易达到teacher模型的效果。

我们尝试了2L和1L的ALBERT，其latency和精度相比普通BERT结构都有所提升。最终我们在1L的ALBERT模型上得到了最好的latency以及超过原始4L BERT 1.7%的AUC(见第四章实验结果)。最终，我们将student模型选定为1L-ALBERT的结构。

• CNN模型尝试

在模型蒸馏的student模型选择上，除了将层数少/参数少的Transformer结构之外，我们还尝试了将其蒸馏到CNN模型结构上。在这个匹配任务中，我们选择了非常轻量的textCNN模型作为student。

最初的设计中TextCNN直接复用Teacher模型的Embedding层，通过拼接不同大小的卷积核提取出来的隐层特征值来计算匹配得分。为进一步提升蒸馏模型性能，我们还尝试了将Teacher模型的BERT Embedding替换为腾讯开源的Word2Vec Embedding，同时采用QQSeg分词器进行分词，相较于替换前获得了1.5%的auc提升，配合更好的GBDT teacher模型指导和AutoML搜索，得到了3.55ms的latency并且AUC略微超越4L BERT Teacher模型。

（二）更好的teacher指导

为进一步提升蒸馏性能，我们尝试采用性能更高的teacher模型来辅助指导蒸馏。这里选择了当前搜索排序模型依赖精排GBDT模型，这个模型是线上精排的下游模型，基于人工标注的真实数据训练，并在特征工程中加入了多个不同维度的文本匹配及相关性判断打分，以及一些人工设定的相关性规则。

多种维度上的相似性得分特征，使得GBDT模型可以在当前任务上取得超过BERT单模型的精度效果。我们采用GBDT模型输出的logits(relevance score)与student模型的logits计算MSE的的relevance loss，进一步指导模型蒸馏，大幅提升了student模型的性能。

蒸馏后的student模型，又可以放回GBDT模型中，作为语义特征表示，反过来提升GBDT模型的AUC值，且因为采用了非常轻量的模型结构，推理速度以及资源消耗可以达到上线标准。

（三）AutoML搜索更好的超参配置

模型蒸馏过程中，存在很多超参数，比如学习率，蒸馏loss的权重配比等，这些超参数的配置对模型性能影响还是比较大的，为了得到最优的参数配置，我们利用了Venus上的自动调参能力进行AutoML搜索。

考虑到模型训练数据量较大，我们首先对训练数据集进行了采样，只用6%的数据量进行搜索，搜索时长设置为24h(模型全量训练耗时平均23h)，最终获取在采样数据集上搜索得到的最佳配置，再用全量数据进行finetune，AUC相比于人工经验设定的超参数结果还能有0.6%的提升(详见模型性能)

四、 模型性能

线下实验效果展示：

实验配置：

batch_size=10，max_seq_len=128，8核CPU

结果说明：

通过加入relevance loss的模型蒸馏技术，我们可以在1L的ALBERT结构以及CNN-attention结构下取得超过人工调优的4L BERT模型，并且推理latency均压缩至5ms以下，达到上线标准。其中，1L ALBERT蒸馏，更是在线下测试中取得了2.99ms的latency以及2.4%的AUC提升，在线上测试中也取得了较好的效果。

参考资料：

1.Hinton@NIPS2014：Distilling the Knowledge in a Neural Network

2.Distilling Task-Specific Knowledge from BERT into Simple Neural Networks

3.ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS

4.Transformer to CNN: Label-scarce distillation for efficient text classification 

 作者简介

王瑞琛

腾讯应用研究工程师

腾讯应用研究工程师，目前专注于通用模型压缩、AutoML相关算法研究，有丰富的CV/NLP模型研发以及模型蒸馏、裁剪领域的相关研究经验。

 推荐阅读

2种方式！带你快速实现前端截图

C++反射：深入探究function实现机制！

C++反射：全面解读property的实现机制！

C++反射：深入浅出剖析ponder库实现机制！