roberta算法详解

一、背景

bert系列的算法论文越来越多，比较出名和有效果的有，Roberta、ALbert。这都是

另一个系列的是XLnet。

全名：RoBERTa：A Robustly Optimized BERT Pretraining Approach
官方源码：https://github.com/pytorch/fairseq
中文预训练模型1：https://github.com/brightmart/roberta_zh
此模型为某个公司训练
中文预训练模型2：https://github.com/ymcui/Chinese-BERT-wwm
此模型为哈工大讯飞实验室预训练

二、在预训练的改动

1.动态mask机制

• 原始静态mask：
  BERT中是准备训练数据时，每个样本只会进行一次随机mask（因此每个epoch都是重复），后续的每个训练步都采用相同的mask，这是原始静态mask，即单个静态mask，这是原始 BERT 的做法。
• 修改版静态mask：
  在预处理的时候将数据集拷贝 10 次，每次拷贝采用不同的 mask（总共40 epochs，所以每一个mask对应的数据被训练4个epoch）。这等价于原始的数据集采用10种静态 mask 来训练 40个 epoch。
• 动态mask：
  并没有在预处理的时候执行 mask，而是在每次向模型提供输入时动态生成 mask，所以是时刻变化的。
  不同模式的实验效果如下表所示。其中 reference 为BERT 用到的原始静态 mask，static 为修改版的静态mask。

2.NSP去掉

3.数据+算力+时长

• 1.更多的数据
  Bert使用了13G，XLNet使用了126G，RoBerta使用了160G
• 2.更多的显卡
  Bert使用64个TPU，XLNET 128 个 Cloud TPU v3 ， RoBerta1024 V100 GPUs
• 3.更大的batch
  Bert使用了256，XLNet使用了2K，RoBerta使用了8K

4.Text Encoding

字节对编码(BPE)(Sennrich et al.,2016)是字符级和单词级表示的混合，该编码方案可以处理自然语言语料库中常见的大量词汇。BPE不依赖于完整的单词，而是依赖于子词(sub-word)单元，这些子词单元是通过对训练语料库进行统计分析而提取的，其词表大小通常在 1万到 10万之间。当对海量多样语料建模时，unicode characters占据了该词表的大部分。Radford et al.(2019)的工作中介绍了一个简单但高效的BPE， 该BPE使用字节对而非unicode characters作为子词单元。
总结下两种BPE实现方式：

• 基于 char-level ：原始 BERT 的方式，它通过对输入文本进行启发式的词干化之后处理得到。
• 基于 bytes-level：与 char-level 的区别在于bytes-level 使用 bytes 而不是 unicode 字符作为 sub-word 的基本单位，因此可以编码任何输入文本而不会引入 UNKOWN 标记。
  当采用 bytes-level 的 BPE 之后，词表大小从3万（原始 BERT 的 char-level ）增加到5万。这分别为 BERT-base和 BERT-large增加了1500万和2000万额外的参数。

参考文献：
1.https://arxiv.org/pdf/1907.11692.pdf