心法利器
本栏目主要和大家一起讨论近期自己学习的心得和体会，与大家一起成长。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。
近期，我再次总结了我的历史文章，累积起来有50w字，百余篇文章了，有兴趣可以拿来看看，获取方式：七夕清流，百余篇累计50w字文章合集发布。
往期回顾
这个标题，应该是很多人问过的问题了。
听说BERT非常厉害，各个领域都拿到过SOTA，虽然已经发布好几年了，但是现在依旧是标杆级别的存在，可是，现在我用了我的数据，BERT不会好，到底是怎么回事？
往扎心的说，其实就是一味地万能钥匙不灵了，所以无从下手。
非常推荐大家好好看看我前面几篇有关效果调优、问题分析的文章，文章不长，不过花了很大心血对这些自己的经验trick进行了系统化，可以看看：
原因的探索
这节只列举问题，思路放下一章。这里是给大家去定位问题的思路，通过这些渠道能发现一些问题，而不是对问题束手无策了。
数据层面的分析
NLP的一大好处就是数据本身是可解释可推理，人本身也可以推测的，而分析数据，往往可以知道一些非常直接的问题。
首先需要看的是测试集，这个相当于是考试的答卷，做错了那些题一目了然，通过这些数据我们能知道模型做错了那些事，强如BERT，也是可能出错的，常见的错误是这些：
标注质量。在现实很多场景，其实是很容易出现标注错误的，很多NLP的问题准确率天花板都停留在90左右，大都是因为标注质量问题，说白了就是标错，这些标错的数据很可能是模型预测对了标注错误了导致的正确，这就导致指标不好看，“效果不好了”。
标注的分布。尤其是分类问题，正负样本是否符合预期，各个类目的数据是否达到了统计意义，实际占比和与其占比是否一致等。
数据是否可靠。额，可能比较少见，有的人做的测试集和训练集压根就不是一回事，值得关心。
当然了，bad case分析这块我也聊了很多，多分析能发现其中的端倪，知道模型需要什么，该怎么处理，我再放一遍在这里，希望能好好阅读。
说完测试集，就到训练集，训练集内同样可能有问题，而有些问题其实可通过训练集的问题来体现：
标注质量。上面聊过不重复了。
数据数量。越是复杂的模型，对数据的渴求度越大，尤其是场景比较偏的，需要更多数据集才行，少数据不足以让模型对你的数据有足够的了解。
样本分布情况。参考数据不均衡的文章：
领域性。这里单独谈，很多领域专业性强，是需要更多数据支撑的，例如医学，另外是名词性比较强的，对数据有特殊的依赖性。
其实数据层面的问题，很可能是导致BERT效果不好的根本原因，他的背后其实是场景问题，场景的数据可没有实验室的那么理想，各有各的特色。在实验室中BERT的效果确实会比常规的textcnn、biltm-crf、ESIM等小模型效果好，但是在很多现实场景优势没那么明显，甚至会不如，大家可以持乐观态度，但请别成为信仰。
训练层面的分析
BERT的训练其实挺多讲究的，这里的实验效果要保证对参数的有一定的要求，所以大家要多去观察训练过程暴露的问题，训练过程其实就是要观测loss变化、验证集效果等的问题，放置没学到、学飘了之类的问题。
模型、代码层的问题
检查有没有bug，代码整体流程是否有问题，无论是训练还是推理，这个就得自己检查和使用了，这个没法解，只能自己debug，找问题然后解决。
模型和策略
一般用BERT的常规操作是PTM-finetuning，很多人会按照自己的想法去加插件，预期是效果会更好，但其实并没有，这点我在知乎里有聊过（https://www.zhihu.com/question/477075127/answer/2042059620），不要盲目的有这个“信仰”，有一个东西叫做“过拟合”。
解决方案
上面聊了怎么发现问题，排查，现在来聊各个问题的解决思路吧。
数据问题
对于数据问题，当然就是要从数据层面吧这些问题给剔除掉，一方面尽可能削减错误数据的，一方面是根据模型的需要提供必要的数据。
测试集是考试题，本质是考验模型能力的，所以这里核心是要保质保量，质在于题目可靠，真的能考验出模型的真实能力，量在于统计意义，现在的指标都是用的统计指标，所以数据本身必须具有统计意义，例如某个类只有2条数据，两条全错能证明有问题吗，其实也不太好说。
至于训练集，首先要说的是训练集内部的问题，其实还是数据的数量和质量问题：
学习资料和练习题要足够，才能让模型学得会，学得好。
数据分布问题，不能偏科，各个类型的数据最好都能覆盖。
领域性的问题，最好由领域性的数据选择，甚至是用这些数据做MLM的任务来微调。
这里一提提供数据，肯定很多人会提数据增强。增强本质不是增多，不是所有缺数据的问题都是因为数量不足，模型要泛化能力，他的泛化能力来源于数据的泛化，很多时候数据提供的不足那就不会有这么强的泛化，得到的反而是过拟合。类似的思路其实我在这两篇文章里其实都有谈过：
所以，很多时候你需要的可能是更多地挖掘数据，从日志，从更多渠道去找，这个可能比增强本身要好。
另外值得强调的是，对于名词性比较强的任务，最好不要用BERT了，甚至是模型都不要用，举个例子，现在告诉你“非诚勿扰”、“中国诗词大会”、“脱口秀大会”这些是综艺，你能推断出“哈哈哈哈哈”也是综艺吗，你这不就是难为人家模型了吗，所以此处词典的作用会比模型本身要大，哪怕是为了提升泛化能力要用模型，那也需要和模型结合着来做。这里背后的逻辑可以参考我这篇文章：
训练问题
针对训练问题，其实也就是一个经验的问题了，多弄其实问题就会小很多，大家可以多去看各个论文使用的超参，一般调的差不多基本都不会有的，当然这里也是要避免代码bug。常见需要关心的超参是学习率、初始化规则、epoch等，另外针对BERT，还要考虑各个层是否要trainable。
模型策略
这个是最考验模型和数据功底的东西了。首先要做基线，一般是考虑折腾这个CLS，而在下游加插件的时候，也要注意不能让BERT模型被学走，注意调整学习率、trainable，同时也可以结合MLM任务来维持模型的稳定，平衡BERT原有的基础知识与实际场景问题的差距。
摆正两个心态
有两个需要在这里和大家强调的两个核心观点。
第一，BERT不是万能的。首先，NLP下有很多场景，BERT虽然能承载出很多语义信息，但是很多时候不止有语义信息，甚至有的时候不需要语义信息，例如上面提到的名词性场景，而且，在很多时候，其实BERT的优势好像不太明显，在考虑成本啥的性价比其实就不是很高了。那么，降低BERT效用的会有哪些因素呢？
过于专业，信息需求较大的领域，如专业化极强的医学等科学领域，或者是电影电视剧等名词性比较强的任务或者说领域。
数据和问题的特点非常鲜明，例如短文本等，实质上ATT、LSTM、CNN等都有自己适合的领域和问题。
数据量。要喂饱BERT，需要足量的数据，哪怕是finetuning，当然在数据量不足的情况下，啥模型都不好使。
第二，要想知道怎么解决问题，就要深入整体流程去思考，要足够理解现有的资源，数据、模型、方案等等，而不是就着手里的积木硬搭做实验，或者撑死调调参数就完事了。
小结
最近是一直在对自己的一些经验进行系统化整理，发现很多文章的东西也出现了耦合，慢慢把这些思路给整理好后，自己感觉有了一些新的提升，是希望和大家分享吧。而文章本身的输出并非是按照这个思路走，而是从一些大家经常问的点深入来讨论，希望能从我的角度和风格来思考和回答问题。
本期从BERT的失效入手来讨论，让大家对训练BERT这条龙有一些大家可能聊的不多但却很常见的问题有更深入的理解。
1039
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
