论文题目:Distilling Task-Specific Knowledge from BERT into Simple Neural Networks
论文链接:https://arxiv.org/pdf/1903.12136.pdf
摘要
在自然语言处理文献中,神经网络变得越来越深入和复杂。这一趋势的苗头就是深度语言表示模型,其中包括BERT、ELMo和GPT。这些模型的出现和演进甚至导致人们相信上一代、较浅的语言理解神经网络(例如LSTM)已经过时了。然而这篇论文证明了如果没有网络架构的改变、不加入外部训练数据或其他的输入特征,基本的“轻量级”神经网络仍然可以具有竞争力。文本将最先进的语言表示模型BERT中的知识提炼为单层BiLSTM,以及用于句子对任务的暹罗对应模型。在语义理解、自然语言推理和情绪分类的多个数据集中,知识蒸馏
模型获得了与ELMo的相当结果,参数量只有ELMo的大约1/100倍,而推理时间快了15倍。
1 简介
关于自然语言处理研究中,神经网络模型已经成了主力军,并且模型结构层出不穷,好像永无止境一样,这些过程中最开始的神经网络例如LSTM变得容易被忽视。例如ELMo模型在2018年一些列任务上取得了sota效果,再到双向编码表示模型Bert、GPT-2在更多任务上取得了很大提升。
但是如此之大的模型在实践落地的过程中是存在问题的:
- 由于参数量特别大,例如 BERT 和 GPT-2,在移动设备等资源受限的系统中是不可部署的。
- 由于推理时间效率低,它们也可能不适用于实时系统,对于QPS压测很多场景基本是不过关的。
- 根据摩尔定律可知,我们需要在一定时间过后重新压缩模型以及重新评估模型性能。
针对上述问题,本文提出了一种基于领域知识的高效迁移学习方法:
- 作者将BERT-large蒸馏到了单层的BiLSTM中,参数量减少了100倍,速度提升了15倍,效果虽然比BERT差不少,但可以和ELMo打成平手。
- 同时因为任务数据有限,作者基于以下规则进行了10+倍的数据扩充:用[MASK]随机替换单词;基于POS标签替换单词;从样本中随机取出n-gram作为新的样本
2 相关工作
关于模型压缩的背景介绍,大家可以看下 李rumor的文章https://zhuanlan.zhihu.com/p/273378905,总结比较精炼和到位,这里不再重复赘述:
Hinton在NIPS2014[1]提出了知识蒸馏(Knowledge Distillation)的概念,旨在把一个大模型或者多个模型ensemble学到的知识迁移到另一个轻量级单模型上,方便部署。简单的说就是用小模型去学习大模型的预测结果,而不是直接学习训练集中的label。
在蒸馏的过程中,我们将原始大模型称为教师模型(teacher),新的小模型称为学生模型(student),训练集中的标签称为hard label,教师模型预测的概率输出为soft label,temperature(T)是用来调整soft label的超参数。
蒸馏这个概念之所以work,核心思想是因为好模型的目标不是拟合训练数据,而是学习如何泛化到新的数据。所以蒸馏的目标是让学生模型学习到教师模型的泛化能力,理论上得到的结果会比单纯拟合训练数据的学生模型要好。
在BERT提出后,如何瘦身就成了一个重要分支。主流的方法主要有剪枝、蒸馏和量化。量化的提升有限,因此免不了采用剪枝+蒸馏的融合方法来获取更好的效果。接下来将介绍BERT蒸馏的主要发展脉络,从各个研究看来,蒸馏的提升一方面来源于从精调阶段蒸馏->预训练阶段蒸馏,另一方面则来源于蒸馏最后一层知识->蒸馏隐层知识->蒸馏注意力矩阵。
3 模型方法
本篇论文第一步选择teacher 模型和student模型,第二步确立蒸馏程序:确立logit-regression目标函数和迁移数据集构建。
3.1 模型选择
对于“teacher”模型,本文选择Bert去做微调任务,比如文本分类,文本对分类等。对文本分类,可以直接将文本输入到bert,拿到cls输出直接softmax,可以得到每个标签概率:,其中是softmax权重矩阵,k是类别个数。对于文本对任务,我们可以直接两个文本输入到Bert提取特征,然后收入到softmax进行分类。
对于“student”模型,本文选择的是BiLSTM和一个非线性分类器。如下图所示:
主要流程是将文本词向量表示,输入到BiLSTM,选取正向和反向最后时刻的隐藏层输出并进行拼接,然后经过一个relu输出,输入到softmax得到最后的概率。
3.2 蒸馏目标
其中是权重矩阵的第i行,等于
蒸馏的目标就是为了最小化student模型与teacher模型的平方误差MSE:
其中和分类代表teacher和student模型的logit输出
最终蒸馏模型的训练函数可以将MSE损失和交叉熵损失结合起来:
3.3 数据增强
- 用[MASK]随机替换单词:“I loved the comedy.”变成“I [MASK] the comedy”
- 基于POS标签替换单词;“What do pigs eat?” 变成“How do pigs eat?”
- 从样本中随机取出n-gram作为新的样本
4 实验结果
本文采用的数据集为SST-2、MNLI、QQP
实验结果如下:
推理更加快:
5 蒸馏代码
https://github.com/qiangsiwei/bert_distill
# coding:utf-8 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torch.autograd import Variable from keras.preprocessing import sequence import pickle from tqdm import tqdm import numpy as np from transformers import BertTokenizer from utils import load_data from bert_finetune import BertClassification USE_CUDA = torch.cuda.is_available() if USE_CUDA: torch.cuda.set_device(0) FTensor = torch.cuda.FloatTensor if USE_CUDA else torch.FloatTensor LTensor = torch.cuda.LongTensor if USE_CUDA else torch.LongTensor device = torch.device('cuda' if USE_CUDA else 'cpu') class RNN(nn.Module): def __init__(self, x_dim, e_dim, h_dim, o_dim): super(RNN, self).__init__() self.h_dim = h_dim self.dropout = nn.Dropout(0.2) self.emb = nn.Embedding(x_dim, e_dim, padding_idx=0) self.lstm = nn.LSTM(e_dim, h_dim, bidirectional=True, batch_first=True) self.fc = nn.Linear(h_dim * 2, o_dim) self.softmax = nn.Softmax(dim=1) self.log_softmax = nn.LogSoftmax(dim=1) def forward(self, x): embed = self.dropout(self.emb(x)) out, _ = self.lstm(embed) hidden = self.fc(out[:, -1, :]) return self.softmax(hidden), self.log_softmax(hidden) class Teacher(object): def __init__(self, bert_model='bert-base-chinese', max_seq=128, model_dir=None): self.max_seq = max_seq self.tokenizer = BertTokenizer.from_pretrained(bert_model, do_lower_case=True) self.model = torch.load(model_dir) self.model.eval() def predict(self, text): tokens = self.tokenizer.tokenize(text)[:self.max_seq] input_ids = self.tokenizer.convert_tokens_to_ids(tokens) input_mask = [1] * len(input_ids) padding = [0] * (self.max_seq - len(input_ids)) input_ids = torch.tensor([input_ids + padding], dtype=torch.long).to(device) input_mask = torch.tensor([input_mask + padding], dtype=torch.long).to(device) logits = self.model(input_ids, input_mask, None) return F.softmax(logits, dim=1).detach().cpu().numpy() def train_student(bert_model_dir="/data0/sina_up/dajun1/src/doc_dssm/sentence_bert/bert_pytorch", teacher_model_path="./model/teacher.pth", student_model_path="./model/student.pth", data_dir="data/hotel", vocab_path="data/char.json", max_len=50, batch_size=64, lr=0.002, epochs=10, alpha=0.5): teacher = Teacher(bert_model=bert_model_dir, model_dir=teacher_model_path) teach_on_dev = True (x_tr, y_tr, t_tr), (x_de, y_de, t_de), vocab_size = load_data(data_dir, vocab_path) l_tr = list(map(lambda x: min(len(x), max_len), x_tr)) l_de = list(map(lambda x: min(len(x), max_len), x_de)) x_tr = sequence.pad_sequences(x_tr, maxlen=max_len) x_de = sequence.pad_sequences(x_de, maxlen=max_len) with torch.no_grad(): t_tr = np.vstack([teacher.predict(text) for text in t_tr]) t_de = np.vstack([teacher.predict(text) for text in t_de]) with open(data_dir+'/t_tr', 'wb') as fout: pickle.dump(t_tr,fout) with open(data_dir+'/t_de', 'wb') as fout: pickle.dump(t_de,fout) model = RNN(vocab_size, 256, 256, 2) if USE_CUDA: model = model.cuda() opt = optim.Adam(model.parameters(), lr=lr) ce_loss = nn.NLLLoss() mse_loss = nn.MSELoss() for epoch in range(epochs): losses, accuracy = [], [] model.train() for i in range(0, len(x_tr), batch_size): model.zero_grad() bx = Variable(LTensor(x_tr[i:i + batch_size])) by = Variable(LTensor(y_tr[i:i + batch_size])) bl = Variable(LTensor(l_tr[i:i + batch_size])) bt = Variable(FTensor(t_tr[i:i + batch_size])) py1, py2 = model(bx) loss = alpha * ce_loss(py2, by) + (1-alpha) * mse_loss(py1, bt) # in paper, only mse is used loss.backward() opt.step() losses.append(loss.item()) for i in range(0, len(x_de), batch_size): model.zero_grad() bx = Variable(LTensor(x_de[i:i + batch_size])) bl = Variable(LTensor(l_de[i:i + batch_size])) bt = Variable(FTensor(t_de[i:i + batch_size])) py1, py2 = model(bx) loss = mse_loss(py1, bt) if teach_on_dev: loss.backward() opt.step() losses.append(loss.item()) model.eval() with torch.no_grad(): for i in range(0, len(x_de), batch_size): bx = Variable(LTensor(x_de[i:i + batch_size])) by = Variable(LTensor(y_de[i:i + batch_size])) bl = Variable(LTensor(l_de[i:i + batch_size])) _, py = torch.max(model(bx, bl)[1], 1) accuracy.append((py == by).float().mean().item()) print(np.mean(losses), np.mean(accuracy)) torch.save(model, student_model_path) if __name__ == "__main__": train_student()