出品 | AI科技大本營(yíng)（ID:rgznai100）

BERT之后，新的預(yù)訓(xùn)練語言模型XLnet、RoBERTa、ERNIE不斷推出，這次，華為諾亞方舟實(shí)驗(yàn)室開源了基于BERT的中文預(yù)訓(xùn)練語言模型NEZHA（哪吒），寓意模型能像哪吒那樣三頭六臂、大力出奇跡，可以處理很多不同的自然語言任務(wù)。

據(jù)介紹，當(dāng)前版本的NEZHA基于BERT模型，并進(jìn)行了多處優(yōu)化，能夠在一系列中文自然語言理解任務(wù)達(dá)到先進(jìn)水平。

NEZHA模型的實(shí)驗(yàn)中采用了5個(gè)中文自然語言理解任務(wù)，即CMRC（中文閱讀理解）、XNLI（自然語言推斷）、LCQMC（句義匹配）、PD-NER （命名實(shí)體識(shí)別任務(wù)）、ChnSenti（情感分類）。

研究人員在中文維基百科、中文新聞、百度百科數(shù)據(jù)上訓(xùn)練NEZHA模型，并且和谷歌發(fā)布的中文BERT，以及哈工大和科大訊飛聯(lián)合發(fā)布的BERT-WWM，還有百度發(fā)布的ERNIE-Baidu進(jìn)行了比較。從下表可以看出，NEZHA在XNLI，LCQMC，PeoplesDaily NER，ChnSenti任務(wù)上達(dá)到了先進(jìn)水平（SOTA）。表中NEZHA，NEZHA-WWM和NEZHA-Span分別代表由原始的BERT預(yù)訓(xùn)練任務(wù)訓(xùn)練得到的，加入全詞Mask訓(xùn)練得到的以及加入Span預(yù)測(cè)任務(wù)訓(xùn)練得到的NEZHA模型（三者均使用了全函數(shù)式相對(duì)位置編碼）。

GitHub鏈接：

https://github.com/huawei-noah/Pretrained-Language-Model/blob/master/README.md

論文鏈接：

https://arxiv.org/abs/1909.00204

此外，諾亞方舟實(shí)驗(yàn)室還開源了TinyBERT預(yù)訓(xùn)練語言模型。

盡管語言模型預(yù)訓(xùn)練（例如BERT）大大改善了許多自然語言處理任務(wù)的性能。但是，預(yù)訓(xùn)練語言模型通常在計(jì)算上昂貴且占用了大量?jī)?nèi)存，因此很難在某些資源受限的設(shè)備上有效執(zhí)行它們。為了加快推理速度、減小模型大小并同時(shí)保持精度，華為研究人員提出了一種新穎的transformer蒸餾方法，該方法是針對(duì)基于transformer模型專門設(shè)計(jì)的知識(shí)蒸餾（KD）方法。

通過利用這種新的知識(shí)蒸餾方法，可以將BERT中編碼的大量知識(shí)很好地轉(zhuǎn)移到TinyBERT。此外，他們?yōu)門inyBERT引入了一個(gè)新的兩階段學(xué)習(xí)框架，該框架在預(yù)訓(xùn)練階段和特定任務(wù)的學(xué)習(xí)階段都執(zhí)行transformer蒸餾方法。該框架確保TinyBERT可以捕獲BERT的一般領(lǐng)域知識(shí)和特定任務(wù)知識(shí)。在GLUE基準(zhǔn)測(cè)試中，TinyBERT相比BERT小7.5倍，比其推理的速度快9.4倍，并且在自然語言理解任務(wù)中具有競(jìng)爭(zhēng)優(yōu)勢(shì)。

它在預(yù)訓(xùn)練和特定任務(wù)的學(xué)習(xí)階段都運(yùn)行了新型的transformer蒸餾方法。TinyBERT學(xué)習(xí)的概述如下所示：

論文鏈接：

https://arxiv.org/abs/1909.10351

NEZHA預(yù)訓(xùn)練語言模型的三大改進(jìn)維度

據(jù)諾亞方舟實(shí)驗(yàn)室的官方資料，NEZHA（哪吒）基于BERT在模型、預(yù)訓(xùn)練任務(wù)和訓(xùn)練算法三個(gè)維度進(jìn)行了改進(jìn)。

模型改進(jìn)：BERT的網(wǎng)絡(luò)架構(gòu)是一個(gè)多層的Transformer網(wǎng)絡(luò)，由于Transformer并沒有直接考慮輸入的token的位置信息，原始的Transformer模型和BERT分別采用了函數(shù)式和參數(shù)式的絕對(duì)位置編碼方式，即每一個(gè)位置上的輸入的token會(huì)疊加一個(gè)與位置信息相關(guān)的一個(gè)embedding（這個(gè)embedding稱為絕對(duì)位置編碼：absolute position embedding，APE），前者的位置編碼是一個(gè)與位置相關(guān)的函數(shù)，后者則是模型參數(shù)的一部分，在預(yù)訓(xùn)練過程中學(xué)到的。

此后，又有工作提出了相對(duì)位置編碼方式，即在每一層計(jì)算隱狀態(tài)的相互依賴的時(shí)候考慮他們之間的相對(duì)位置關(guān)系，這個(gè)相對(duì)位置信息表示為一個(gè)相對(duì)位置編碼（relative position embedding，RPE），已有工作均在相對(duì)位置編碼中加入了可學(xué)習(xí)的參數(shù)。本工作在BERT模型中使用了完全函數(shù)式的相對(duì)位置編碼（相對(duì)位置編碼沒有任何需要學(xué)習(xí)的參數(shù)），實(shí)驗(yàn)結(jié)果表明該位置編碼方式使得模型在各個(gè)下游任務(wù)上的效果均得到明顯提升。

預(yù)訓(xùn)練任務(wù)：本工作引入了全詞Mask技術(shù)，即不同于原始的BERT模型Mask單個(gè)中文字，該技術(shù)在MLM預(yù)訓(xùn)練任務(wù)中Mask整個(gè)詞而不是單個(gè)字（如下圖全詞Mask方法Mask了一整個(gè)詞“華為”），進(jìn)而提升了任務(wù)難度使得BERT學(xué)到更多語義信息。

此外，借鑒SpanBERT ，NEZHA模型還引入了Span預(yù)測(cè)任務(wù)，該任務(wù)Mask一個(gè)連續(xù)的Span（例如下圖中“機(jī)”，“很”，“不”三個(gè)字），利用Span前后的兩個(gè)字的最上層表示（下圖中的x3和x7）以及待預(yù)測(cè)字的位置信息來預(yù)測(cè)該字，如下圖中，待預(yù)測(cè)字為“不”，Span預(yù)測(cè)任務(wù)會(huì)使用x3,x7和“不“”這個(gè)字的位置信息（就是x3和x6還有x6和x7之間的相對(duì)位置編碼）來預(yù)測(cè)該字，“機(jī)”和“很”的預(yù)測(cè)也是同樣的方法。

該方法使得Span前后的字的表示會(huì)包含Span中字的語義信息，由于在訓(xùn)練過程中，一個(gè)句子會(huì)被隨機(jī)Mask很多次，所以句子中每個(gè)字都有機(jī)會(huì)成為Span的前后字，進(jìn)而使得各個(gè)字學(xué)到的表示都會(huì)包含周圍Span的信息，Span預(yù)測(cè)任務(wù)能夠有效提高模型在下游的Span抽取任務(wù)（此任務(wù)的目標(biāo)是獲取一段文字中目標(biāo)片段的開始和結(jié)束位置）的效果。

訓(xùn)練算法：在訓(xùn)練過程中，采用混合精度訓(xùn)練（Mixed Precision Training）方式，在傳統(tǒng)的深度學(xué)習(xí)訓(xùn)練過程中，所有的變量包括weight，activation和gradient都是用FP32（單精度浮點(diǎn)數(shù)）來表示。而在混合精度訓(xùn)練過程中，每一個(gè)step會(huì)為模型的所有weight維護(hù)一個(gè)FP32的copy，稱為Master Weights，在做前向和后向傳播過程中，Master Weights會(huì)轉(zhuǎn)換成FP16（半精度浮點(diǎn)數(shù)）格式，權(quán)重，激活函數(shù)和梯度都是用FP16進(jìn)行表示，最后梯度會(huì)轉(zhuǎn)換成FP32格式去更新Master Weights。

優(yōu)化器方面使用了LAMB優(yōu)化器，通常在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的Batch Size很大的情況下（超過一定閾值）會(huì)給模型的泛化能力帶來負(fù)面影響，而LAMB優(yōu)化器通過一個(gè)自適應(yīng)式的方式為每個(gè)參數(shù)調(diào)整learning rate，能夠在Batch Size很大的情況下不損失模型的效果，使得模型訓(xùn)練能夠采用很大的Batch Size，進(jìn)而極大提高訓(xùn)練速度。在訓(xùn)練BERT的研究中，使用LAMB優(yōu)化器在不損失模型效果的前提下，Batch Size達(dá)到了超過30k，使得BERT的訓(xùn)練時(shí)間從3天降到了76分鐘。