【预训练语言模型】RoBERTa: A Robustly Optimized BERT Pretraining Approach

征途黯然.

已于 2022-11-01 13:47:14 修改

阅读量3.1k

点赞数 1

分类专栏： # 大模型文章标签： roberta RoBERTa 预训练语言模型 BERT

于 2022-10-31 15:47:48 首次发布

原创博客归本人所有，禁止任何人、组织、公司转载或采集！

本文链接：https://blog.csdn.net/qq_43592352/article/details/127614810

版权

大模型专栏收录该内容

15 篇文章 2 订阅

订阅专栏

·阅读摘要：
本文在BERT模型的基础上进行了一些改进，提出了RoBERTa模型，并证明了RoBERTa比BERT的效果更好一些。
·参考文献：
[1] RoBERTa: A Robustly Optimized BERT Pretraining Approach
[2] BERT模型讲解，参考博客：【文本分类】BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

目前预训练语言模型按时间排：ELMo - GPT - BERT - XML - XLNet - RoBERTa - ALBERT。基本上越往后的模型效果越好。

BERT用了16GB的训练数据，XLNet用了126GB数据，RoBERTa用了160GB数据。从个人理解上，XLNet像是为了超越BERT而提出各种花里胡哨trick的模型，而RoBERTa完全是对标XLNet的BERT加强版，从RoBERTa论文的各种设置就能看出来它是想干掉XLNet哈哈。

本文对BERT进行复制研究，其中包括对超参数调整和训练集大小的影响的仔细评估，并提出了一种改进的训练BERT模型的方法，主要有4点：

1、动态掩码机制(Dynamic Masking)
2、取消下一个句子预测机制(Next Sentence Prediction, NSP)，更改模型输入形式
3、训练模型的时间更长，批次更大，数据更多，更大的字节对编码(Byte-Pair Encoding, BPE)词典
4、全长序列训练

[1] 动态掩码机制

首先介绍BERT模型中的掩码语言模型(Masked Language Model, MLM)：

对于一条样本，随机选择序列中的词，然后用特殊词[MASK]替换。MLM的目标是预测掩码时的交叉熵损失。BERT统一选择15%的输入词用于可能的替换。在选定的词中，80%的时间被替换为[MASK]，10%的时间保持不变，剩下10%的时间被随机替换成词典中的任意词。

原始的BERT实现在数据预处理期间执行一次masking，然后直接用于训练，但是这样会在每个时期对每个训练实例使用相同的掩码。

为了避免这个情况，BERT会把训练数据被复制10次，以便在40个训练时期内以10种不同的方式对每个序列进行掩码。

【注一】其实它这样还是在数据预处理时只执行一次masking。而且训练数据被复制10次，可能不如扩大到10倍的数据集。

介绍RoBERTa模型中的动态掩码(Dynamic Masking)：

在动态掩蔽中，每次向模型喂输入序列时，都会动态生成掩码。

【注二】说起来比较简单。

[2] 取消下一个句子预测，更改模型输入形式

首先介绍BERT模型中的下一个句子预测(Next Sentence Prediction, NSP)：

NSP是一种二进制分类损失，用于预测两个片段在原始文本中是否相互连续。通过从文本语料库中提取连续的句子来创建正例，反例是通过对不同文档的片段进行配对来创建的。正反两个例子的抽样概率相等。NSP目标旨在提高下游任务的性能，如自然语言推理，这需要对句子对之间的关系进行推理。

RoBERTa模型为什么要取消NSP？

原因一：近年来，有人质疑NSP的必要性。

原因二：作者做实验验证了NSP是没有必要的。作者比较了几种不同的模型输入形式：

· SEGMENT-PAIR+NSP：这是BERT中使用的原始输入格式，使用NSP Loss。每个输入都有一对段，每个段可以包含多个自然语句，但总的组合长度必须小于512个标记。
· SENTENCE-PAIR+NSP：每个输入都包含一对自然语句，可以从一个文档的连续部分中采样，也可以从单独的文档中采样。由于这些输入明显短于512个令牌，增加了批大小，以便令牌总数保持与SEGMENT-PAIR+NSP相似，保留NSP Loss。
· FULL-SENTENCES：每个输入都包含从一个或多个文档连续采样的完整句子，因此总长度最多为512个标记。输入可能跨文档。当采样到一个文档的末尾时，对下一个文档中的句子进行采样，并在文档之间添加一个额外的分隔符标记。不使用NSP Loss。
· DOC-SENTENCES：输入的构造类似于FULL-SENTENCES，只是它们不能跨文档。在文档末尾附近采样的输入可能短于512个令牌，因此在这些情况下动态地增加批大小，以实现与FULLSENTENCES相同数量的总令牌。我不使用NSP Loss。

【注三】相当严谨。

以下是实验结果：
在这里插入图片描述

[3] 训练模型的时间更长，批次更大，数据更多，更大的字节对编码词典

【注四】关于“训练模型的时间更长，批次更大，数据更多”文章说了很多，总结起来就是：大力出奇迹。主要说一下字节对编码。

字节对编码(Byte-Pair Encoding, BPE)是字符和单词级表示之间的混合，允许处理自然语言语料库中常见的大型词汇。BPE不依赖于完整的单词，而是依赖于通过对训练语料库进行统计分析而提取的子单词单元。BPE词汇表的大小通常在10K-100K子字单位之间。然而，在对大型和多样的语料库建模时，unicode字符可以占到词汇表的相当大的一部分。Radford等人（2019）介绍了一种巧妙的BPE实现，它使用字节而不是unicode字符作为基本子字单位。使用字节可以学习中等大小（50K单位）的子单词词汇表，仍然可以对任何输入文本进行编码，而不会引入任何[UNK]标记。

原始BERT实现使用大小为30K的字符级BPE词汇表，该词汇表是在使用启发式标记化规则预处理输入后学习的。作者使用包含50K个子字单元的更大字节级BPE词汇来训练BERT，而不对输入进行任何额外的预处理或标记化。