论文个人理解
目的:
这篇paper介绍了蒸馏预训练模型的通用架构(预训练蒸馏), 与所有模型蒸馏方法一样,解决的也是student模型和teacher模型的GAP,怎么使用参数量小、推理时间短的student模型尽可能获取teacher模型的能力
方法
- 深度自注意力蒸馏: 蒸馏self-attention矩阵和value-value矩阵
- 助手机制:当teacher和student模型参数差异很大时,先使用teacher蒸馏assistant,再使用assistant蒸馏到student
结论
- 在自然语言理解任务上吊打DistillBERT和TinyBERT(当时state of art)
- 在自然语言生成、多语言任务上取得不错的效果(competitive performance)
论文精读
摘要
本篇论文提出跟任务无关,蒸馏预训练模型的通用架构,只蒸馏teacher最后一层的self-attention矩阵和value-value矩阵,并且提出助手机制(助手机制也就是为什么MiNILM能获得State of art的原因)
从上图看出,DistillBERT需要隐层维度相同(通常student先进行矩阵映射到和teacher相同的维度)、TinyBERT是采用层层映射的关系(例如student两层,那么蒸馏映射关系12-2,6-1),MobileBERT就是全都要,并且逐层蒸馏。不同于之前的蒸馏方法,MiniLM只蒸馏最后一层的attention矩阵和value-value矩阵(方便好用有木有)
模型结构
模型结构如上图介绍,主要是两块Attention Transfer和Value-Relation Transform
蒸馏细节
- Attention:如上图所示,Attention就是Q(Queries)、K(Keys)计算的矩阵,如果bert参数设置head-number设置为12,那么最后一层就是12*seq*seq维度的Attention(seq代表文本长度),这个一般bert内部都计算好了;
- Value-Relation:就是values矩阵的平方,计算可参考Q、K计算Attention的过程;
- Transfer:代表attention和value-relation怎么蒸馏到student上的Loss,本文采用KL-loss(文中作者实验论证了的确比MSE好)
论文成果
对比之前提出的DistillBERT、TinyBERT,MiniLM取得state of art效果
消融实验
- 加入value-Relation蒸馏比不加入效果好
- 使用KL-loss比MSE好
- MiniLM比逐层蒸馏好
自然语言生成
自然语言生成任务模型取的不错的效果(competitive result)
- 问题生成
- 摘要总结
多语言任务
- 分类
- 问答