TinyBERT-模型蒸馏

本文介绍下TinyBERT，华为在2020发布的一篇论文，主要内容是对模型进行蒸馏，蒸馏的方法值得学习

论文信息

论文地址：

https://arxiv.org/abs/1909.10351

代码地址：

https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/TinyBERT

主要内容

目前已经有很多模型压缩的技术，如矩阵分解，量化、权重共享、剪枝、以及知识蒸馏，本文的重点在于知识蒸馏。

如上图所示，tinybert的蒸馏步骤可以概括为 General Distillation和 Task-specific Distillation，也就是在大规模语料上对通识知识的蒸馏，这是在预训练阶段的蒸馏，和在指定任务数据上对特定任务的知识蒸馏，并且用通识知识的蒸馏模型对指定任务的蒸馏模型进行初始化，这是在微调阶段的蒸馏。同时，在特征任务上进行知识蒸馏时，会先对数据进行增强。

作者的实验结果是，4层的tinybert可以达到bertbase的96.8%的效果，但是参数量为bertbase的13.3%，推理时间为10.6%，并且比其他蒸馏的效果要好，同时，6层的tinybert和bertbase的表现近似。

1、transformer distillation

对transformer网络层数的蒸馏。假设学生模型有M层，老师模型有N层，自定义一个map函数$n=g(m)$，实现学生层到老师层的map，表示学生模型的第m层从老师模型的第g(m)层学得信息。损失函数如下：
$L_{model}={\sum }_{x{\in }_X}{\sum }_{m=0}^{M+1}{\lambda }_m{L}_{layer}(f_m^S(x),f_{g(m)}^T(x))$

$L_{layer}$表示的是某一个transformer layer或者是embedding layer的损失函数，$f_m(x)$表示第m层的目标函数值，${\lambda }_m$表示第m层的重要性，为超参数。

transformer distillation包括attention distill、hidden distill、embedding distill、以及prediction distill，如下图所示：

• attention

其中，attention distill的目标函数为：

$L_{attn}=\frac{1}{h}{\sum }_{i=1}^{h}MSE(A_i^S,A_i^T)$

h表示注意力头的个数，$A_i$表示学生或老师第i个注意力头的attention matrix

同时，作者表明，之所以使用$A_i$，而不是$softmax(A_i)$作为拟合目标，是因为前者的收敛更快，效果更好。

• hidden

其中，transformer输出蒸馏的损失函数为：

$L_{hidn}=MSE(H^S{W}_h,H^T)$

其中$H^S\in R^{l\times d^{\ast }}$,$H^T\in R^{l\times d}$
，$d^{\ast }$表示学生模型的向量维度。$W_h$是一个可学习矩阵，用来对学生模型进行线性变化，将其转化为与老师模型相同的维度。

• embedding

embedding层输出蒸馏的损失函数为：

$L_{embd}=MSE(E^S{W}_e,E^T)$

可以看到基本与transformer输出的蒸馏形式是一样的。

• prediction
  损失函数为：

$L_{pred}=CE(\frac{z^T}{t},\frac{z^S}{t})$

z表示logits，t表示温度系数，作者实验发现，t=1时效果最好。这部分的损失函数就和distillbert设计的蒸馏损失比较像.

整体模型的损失函数如下：
$$L_{layer}=\{\begin{array}{ll}{L}_{embd}& m=0\\ L_{hidn}+L_{attn}& m\in (0,M]\\ L_{pred}& m=M+1\end{array}$$

其中，m表示学生的层数

2、task-specific distillation

该部分先对数据集进行增强，然后进行蒸馏。作者对数据增强的解释为，学生模型在经过增强的数据集上进行训练，可以提高其效果，也就是说，相比于老师模型，学生模型在特定任务上的训练数据是经过增强的，以此来提升学生模型的效果，因此学生就有超过老师的可能。

数据增强
其伪代码如下：

作者结合bert和glove的词嵌入，在word-level上进行替换，以实现数据增强。作者的参数设置如下，$p_t=0.4$，$N_a=20$，$K=15$

论文并没有对task-specific distillation的蒸馏部分进行阐述，说明其与general distill的蒸馏方式应该是一样的，只是一个处于预训练阶段，一个处于微调阶段。

3、实验结果

实验时，作者使用$g(m)=3\times m$进行映射，也就是说4层的tinybert的每层都是从3层的bertbase中学得。

下面是作者对tinybert使用得学习策略和蒸馏方式做的消融实验：

下面是作者针对学生层到老师层的映射做的消融实验：

可以看到，使用均匀映射的效果是最好的，同时，作者也表明，对于一个下游任务，自适应的选择层数是一个具有挑战性的问题，也是未来的工作方向。

相关思考

该论文通过蒸馏方式实现对模型的压缩，整体上的实现分为以下几步：

• 预训练阶段的蒸馏
• 数据增强
• 微调阶段的蒸馏

每个蒸馏，又会进行以下操作：

• embedding层的蒸馏
• hidden层的蒸馏
• attention的蒸馏
• 预测层的蒸馏

之所以做数据增强，是为了在对具体任务蒸馏时，扩充学生模型的训练集，提高学生模型的表现。