深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）

分类目录：《深入理解深度学习》总目录

---

T5的全称为Text to Text Transfer Transformer，是谷歌提出的预训练语言模型领域的通用模型，该模型将所有自然语言问题都转化成文本到文本的形式，并用一个统一的模型解决。为了得到大一统的高质量预训练语言模型，T5不可避免地走上了“大力出奇迹”的道路，使用了更大的模型和更多的数据，但是模型和数据规模只是T5通往最强模型的手段之一，T5最核心的理念是：使用前缀任务声明及文本答案生成，统一所有自然语言处理任务的输入和输出。在此之前的几乎所有预训练语言模型，在下游任务微调过程中都需要添加非线性层，将模型的输出转化为任务指定的输出格式。T5不需要对模型做任何改动，只需要提供下游任务的微调数据；不需要添加任何非线性层，唯一需要做的就是在输入数据前加上任务声明前缀，下图所示为T5的输入格式和输出格式。绿色部分表示翻译任务，红色和黄色部分分别表示CoLA任务和STS-B任务，蓝色部分表示摘要生成任务，左侧的框表示T5的输入样例，右侧的框则是对应的输出结果。

T5将自然语言处理任务都转化成几乎一致的格式，即输入是带有任务前缀声明的文本序列，输出的文本序列是相应任务的结果。其输入格式和输出格式类似于GPT-3在Few-shot Learning设置下的格式，与GPT-3不同的是，T5适用于所有自然语言处理任务，而GPT-3受限于模型结构，只在文本生成任务上有独特的优势。由于T5的论文细节和对比实验很丰富，本文挑选关键算法和模型细节进行介绍。

算法细节

模型结构

T5在结构选型时考虑了3种模型结构，如下图所示，分别是Encoder-Decoder结构（传统的Transformer结构）、Decoder结构（GPT的结构）和Prefix LM结构（UniLM的结构）。

T5对这3种模型结构均做了测试，发现Transformer Encoder-Decoder结构效果最佳，于是遵循实践出真知的法则，T5的模型结构采用了传统的Transformer结构。

训练数据

T5训练的文本均来自Common Crawl数据集，该数据集中的数据是从互联网上爬取的（大约每个月抓取20TB的文本数据）。T5选取了2019年4月的数据，经过清洗，得到750GB的满足训练要求的数据，将其作为训练数据，并取名为C4数据集(Colossal Clean Crawled Corpus)，具体的清洗要求如下：

• 只保留结尾是正常符号的句子，如句号、感叹号、问号和引号。
• 删除所有内容少于5句且句子长度小于3个词的页面数据。
• 删除所有包含黄暴词的页面数据。
• 删除包含“.JavaScript”的词（针对网页数据）。
• 删除包含占位符“lorem ipsum”（排版测试中经常出现）的页面数据。
• 删除编程语言中经常出现的大括号对“{}”所在的页面数据。
• 删除连续重复3次以上的句子，只保留一句。
• 利用语种检测工具langdetect，只保留语种检测为英语，且置信度超过0.99的数据（训练针对英语任务的模型）。

输入和输出的格式化

T5与其他模型最大的区别在于，对下游任务微调训练更友好。不需要做任何模型侧的改动，只需要对下游任务的训练数据做简单改写，就可以用T5完成相应的任务。具体而言，在输入数据之前，添加任务的前缀声明，并将输出数据转化为文本表示，分类任务使用类别名即可。尤其针对输出结果是连续值的任务，根据训练数据的标签分布，采用模糊化的方式，将数值格式转化为文本格式，如1~5分的连续分值，以0.2为间隔将其分桶量化，则可得到一系列字符串标签类别，如“1”“1.2”“4.8”“5”等。下面介绍两个经典任务的改写方法。

• CoLA（The Corpus of Linguistic Acceptability，判断句子的语法是否可接受，属于二分类任务，输出0表示不可接受，输出1表示可接受）：

原始输入：John made Bill master of himself
原始标签：1
T5输入：cola sentence：John made Bill master of himself.
T5标签：acceptable

• STS-B（Semantic Textual Similarity Benchmark）为语义相似度检测任务，输出1~5分内的连续值：

原始输入1：Representatives for Puretunes could not immediately be reached for comment Wednesday.
原始输入2：Puretunes representatives could not be located Thursday to comment on the suit.
原始标签（数值类型）：3.25
T5输入：

• stsb sentence1：Representatives for Puretunes could not immediately be reached for comment Wednesday.
• sentence2: Puretunes represen-tatives could not be located Thursday to comment on the suit.

T5标签（字符串类型）：3.2

训练过程

T5进行了很多对比实验，来挑选最合适的训练方法，具体而言，有如下3种（用“|”分割T5的输入和输出）：

• 标准语言模型式：已知上半句，预测下半句。例如：Thank you for inviting|me to your party last week.
• BERT式：掩盖一部分词，还原被掩盖的词。例如：Thank you<MASK>``<MASK>me to your party<MASK>week|Thank you for inviting me to your party last week.
• 乱序还原式：将文本顺序打乱，还原正确的语序。例如：party me for your to.last you inviting week Thank|Thank you for inviting me to your party last week.

实验表明，采用BERT式的训练方法效果最好，其实这也是BART所用的训练方法之一（BART还使用了其他噪声方法）。BERT式的训练方法依然有不少细节需要推敲，如掩码范围和替换词挑选策略等，因此T5又做了3组实验，挑选最佳的替换词方式，具体而言，有如下3种（用“|”分割T5的输入和输出）：

• 单个词用<MASK>替换，与BERT一样。例如：Thank you<MASK>``<MASK>me to your party<MASK>week|Thank you for inviting me to your party last week.
• 若干个连续词一起替换，只预测被替换的词。例如：Thank you<X>me to your party<Y>week.|<X>for inviting<Y>last<Z>
• 随机丢弃若干词，只预测被丢弃的词。例如：Thank you me to your party week.|for inviting last

实验表明，采用若干个连续词一起替换的方式效果最好，虽然其思想与BART的Text Infilling噪声训练方法一致，但形式上更简洁，BART以原文作为Decoder的标签，而T5只需要预测被掩盖的部分词即可。与此同时，T5还做了更为细致的实验，测试在不同掩码范围下模型的表现，以找出最合适的掩码长度。实验结果表明，长度为3是最合适的，而替换概率遵循BERT的15%是最佳的原则。

综上所述，T5利用了近年来在预训练语言模型上使用的技巧，做了大量的对比实验。虽然T5并没有提出新的模型结构或新的训练模式，但它通过巧妙地改写输入和输出，让T5不需要改动模型结构，就能在下游任务数据集上进行微调训练，本身就算一个跨越式进步。借助超大的模型规模和训练数据，具有110亿参数规模的T5在几乎所有任务上都达到了SOTA效果，再一次证明了预训练语言模型领域“大力出奇迹”的法则。从Transformer被提出到T5的出现，历史的车轮向前滚动，基于Transformer的预训练语言模型还是回归了最初的样子，也奠定了Transformer作为特征提取器在自然语言处理领域不可撼动的地位。

参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.
[3] 车万翔, 崔一鸣, 郭江. 自然语言处理：基于预训练模型的方法[M]. 电子工业出版社, 2021.
[4] 邵浩, 刘一烽. 预训练语言模型[M]. 电子工业出版社, 2021.
[5] 何晗. 自然语言处理入门[M]. 人民邮电出版社, 2019
[6] Sudharsan Ravichandiran. BERT基础教程：Transformer大模型实战[M]. 人民邮电出版社, 2023
[7] 吴茂贵, 王红星. 深入浅出Embedding：原理解析与应用实战[M]. 机械工业出版社, 2021.