前言
预训练语言模型为自然语言处理带来了革命性的进展,预训练-微调的范式提高了许多下游任务的性能。在实际中,我们有时并不满足于在自己的数据上微调预训练模型,而是想拿一些内部数据和领域特定数据去重新训练一个自己的模型,以此获取更好的表征。
然而预训练动辄需要几十上百张 GPU,训练速度也非常缓慢。因此,即使是在 BERT 已经提出四年之后的今天,个人研究者和小型科研机构想要从头训练一个 BERT 依然十分困难。虽然我们可以很容易地拿到开源训练代码,但是数据量大、计算资源短缺给语言模型预训练的研究和应用带来了困难和挑战。
在本文中,来自港科大统计与机器学习实验室的研究者们提出了 ExtremeBERT 工具包,极大加快了预训练的速度,只需要 8 张 3090 GPU,就可以在一天左右从头训练一个模型达到 BERT-base 的效果,训练加速接近一个数量级。该工具包提供了灵活易用的接口、具有一键轻松训练、优化加速、支持海量数据集的特点,适合预训练研究和训练 domain specific 的模型。
论文标题:
ExtremeBERT: A Toolkit for Accelerating Pretraining of Customized BERT
论文链接:
https://arxiv.org/abs/2211.17201
代码