ALBERT 关键改进点详细讲解

SmallerFL

于 2024-11-19 15:37:32 发布

阅读量1.1k

点赞数 26

分类专栏： NLP&机器学习文章标签： bert albert gpt 人工智能 llm

本文链接：https://blog.csdn.net/qq_36803941/article/details/143886700

版权

NLP&机器学习专栏收录该内容

102 篇文章

订阅专栏

文章目录

1. 概览
2. 因子化嵌入参数化
3. 跨层参数共享
4. 句子顺序预测
参考

1. 概览

ALBERT，来源于2020年论文《ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS》，提出了 ALBERT（A Lite BERT），一种用于自监督学习的语言表示模型。ALBERT 通过两种参数减少技术降低了 BERT 模型的内存消耗并提高了训练速度，同时引入了句子顺序预测（SOP）的自监督损失，专注于建模句子间的连贯性。

论文：https://openreview.net/pdf?id=H1eA7AEtvS

参数对比：

BERT 详细介绍看这里：
《NLP深入学习：结合源码详解 BERT 模型（一）》
《NLP深入学习：结合源码详解 BERT 模型（二）》
《NLP深入学习：结合源码详解 BERT 模型（三）》

下面介绍改进点。

2. 因子化嵌入参数化

因子化嵌入参数化（Factorized Embedding Parameterization）。
在 BERT 模型中，词汇嵌入（WordPiece embeddings）的大小与隐藏层（hidden layer）的大小是相等的，即 $\equiv H$ 。这种设计在建模和实际应用中存在一些局限性：

建模角度： 词汇嵌入旨在学习上下文无关的表示，而隐藏层嵌入旨在学习上下文相关的表示。BERT 的强大之处在于利用上下文信息来学习这些上下文相关的表示。因此，将词汇嵌入大小 $E$ 与隐藏层大小 $H$ 分离，可以更高效地利用模型参数，因为通常 $H$ 远大于 $E$ 。
实际应用角度： 自然语言处理通常需要较大的词汇表。如果 $\equiv H$ ，那么增加 $H$ 会增加嵌入矩阵的大小，从而导致模型参数数量急剧增加，这在训练时会导致内存消耗过大。

为了解决这些问题，ALBERT 采用了因子化嵌入参数化技术:

将嵌入参数分解为两个较小的矩阵。ALBERT 不是直接将 one-hot 向量投影到大小为 $H$ 的隐藏空间，而是首先将它们投影到一个较低维度的嵌入空间（大小为 $E$ ），然后再投影到隐藏空间。
通过这种分解，嵌入参数从 $\times H)$ 减少到 $\times E + E \times H)$ ，当 $H$ 远大于 $E$ 时，这种参数减少是显著的。

3. 跨层参数共享

在 ALBERT 模型中，为了进一步提高参数效率并减少模型大小，采用了跨层参数共享（Cross-Layer Parameter Sharing） 技术。这种技术的核心思想是在模型的所有层之间共享相同的参数集，而不是为每一层独立学习一组参数。具体来说，ALBERT 在所有层之间共享以下参数：

自注意力层（Self-Attention Layers）：在所有层之间共享自注意力机制的参数，包括 q（query）、k（key）、v（value）矩阵以及注意力输出的线性变换矩阵。
前馈网络（Feed-Forward Networks, FFN）：在所有层之间共享前馈网络的权重矩阵和偏置项。这意味着每一层的前馈网络使用相同的参数集。

这种跨层参数共享策略有几个优势：

减少参数数量：通过在所有层之间共享参数，ALBERT 显著减少了模型的总参数数量。一个具有24层的 ALBERT-large 模型，其参数数量远少于具有相同层数的 BERT-large 模型。
提高训练效率：由于参数数量的减少， ALBERT 在训练时需要更新的参数更少，这不仅减少了内存占用，还加快了训练速度。
稳定训练过程：跨层参数共享作为一种正则化形式，有助于稳定训练过程，因为它减少了过拟合的风险。此外，参数的共享使得模型在不同层之间保持了一致性，这有助于模型更好地泛化。
保持表示质量：尽管参数数量减少，但 ALBERT 通过跨层参数共享仍然能够学习到高质量的表示。实验结果表明，ALBERT在多个下游任务上取得了与BERT相当甚至更好的性能。

在 ALBERT 中，跨层参数共享的实现方式是将每一层的参数设置为相同，并在整个网络中重复使用这些参数。这种设计允许模型在保持参数数量可控的同时，捕获不同层次的特征表示，从而在各种自然语言理解任务中取得了优异的性能。

4. 句子顺序预测

在 ALBERT 模型中，除了传统的遮蔽语言模型（Masked Language Modeling, MLM）损失外，还引入了一种新的自监督损失，即句子顺序预测（Sentence Order Prediction, SOP） 损失。这种损失专注于建模句子间的连贯性，与 BERT 中的下一个句子预测（Next Sentence Prediction, NSP）损失相比，SOP 损失更专注于句子间的逻辑和语义连贯性。

改进句子间关系的理解：在许多自然语言处理任务中，理解句子间的逻辑和语义关系至关重要。SOP 损失通过预测两个连续文本片段的顺序，迫使模型学习句子间的连贯性。
解决 NSP 的局限性：BERT 中的 NSP 损失旨在预测两个句子是否在原始文本中连续出现。然而，后续研究表明 NSP 的预测效果不稳定，且其任务难度相对较低。SOP 损失通过专注于句子间的连贯性，提高了任务的难度和实用性。

SOP 损失的实现方式如下：