【NLP】模型压缩与蒸馏！BERT的忒修斯船-技术圈

作者 | 许明
整理 | NewBeeNLP公众号

如果忒修斯的船上的木头被逐渐替换，直到所有的木头都不是原来的木头，那这艘船还是原来的那艘船吗？
-普鲁塔克

最近遇到一个需要对算法加速的场景，了解到了一个比较简洁实用的方法：Bert-of-theseus^[1], 了解了原理后参考代码实验后，验证了其有效性，总结一下。

模型压缩

模型在设计之初都是过参数化的，这是因为模型的参数量与复杂度代表着模型的容量与学习能力，但当我们实际使用时，我们需要更好的部署他（低资源），更快的响应（快速推理），常常需要进行模型压缩。

模型压缩就是简化大的模型，得到推理快资源占用低的小模型，而想"即要马而跑又不用吃草"通常是很难的，所以压缩后的模型常常也会有不同程度的牺牲，如模型性能下降。此外，模型压缩是作用在推理阶段，带来的常常是训练时间的增加。

模型压缩又分为几种方式：一种是剪枝(Pruning)与量化(Quantization),一种是知识蒸馏(Knowledge Distillation), 还有一种是权重共享（Sharing）与因数分解（Factorization）。该部分内容推荐一篇博客：All The Ways You Can Compress BERT^[2]

剪枝

剪枝技术是通过将大模型中一些"不重要"的连接剪断，得到一个"稀疏"结构的模型。剪枝又分为"结构性剪枝"与"非结构性剪枝".剪枝可以作用在权重粒度，也可以作用在attention heads / layer粒度上。不过剪枝技术感觉会逐步被NAS（Neural Architecture Search）取。

量化

量化不改变模型的网络结构，而是改变模型的参数的数据格式，通常模型在建立与训练时使用的是 float32 格式的，量化就是将格式转换为 low-bit, 如 float16 甚至二值化，如此即提速又省显存。

知识蒸馏

知识蒸馏是训练一个小模型(student)来学习大模型(teacher)，由于大模型是之前已经fine-tuning的，所以此时学习的目标已经转换为对应的logit而不再是one-hot编码了，所以student有可能比teacher的性能更好。这样即小又准的模型实在太好了。

不过为了达到这样的效果，通常设计小模型时不光要学习大模型的输出，还要学习各个中间层结果，相关矩阵等，这就需要仔细设计模型的结构与loss及loss融合方案了。一种简单的方法是只学习大模型的logit，这与对label做embedding有点类似，不过我没做过实验还。

权重共享

将部分权重在多个层中共享以达到压缩模型的效果，如ALBERT中共享self-attention中的参数

权重分解

将权重矩阵进行因数分解，形成两个低秩的矩阵相乘的形式，从而降低计算量

模型压缩的必要性

看了上面模型压缩的方法，每一个都有种"脱裤子放屁"的感觉，与其训练一个大模型，再费力把它变小，为何不直接开始就弄个小的呢？

首先，模型在设计之初是都是会或多或少的过参数化，因为模型的参数量与复杂度代表着模型的容量与学习能力；
其次，开始就用一个小模型，那这个小模型也是需要设计的，不能随便拿来一个，而设计一个性能高参数规模小的小模型难度是非常大的，往往是模型小了性能也低了；
第三点，大模型压缩后与小模型虽然参数规模相当，但是对应的模型空间并不相同
此外，为了更好的部署，如手机或FPGA等，得到精度更高模型更小(distillation)或者利用硬件加速(low-bit)，模型压缩都是值得试一试的手段。

更详细的讨论，可以参考为什么要压缩模型，而不直接训练一个小的CNN^[3]

Bert of theseus

论文：BERT-of-Theseus: Compressing BERT by Progressive Module Replacing
地址：https://arxiv.org/abs/2002.02925
arxiv访问不方便的同学公众号后台回复『0024』直接获取

Bert of theseus 方法属于上面提到的知识蒸馏，知识蒸馏中我们提到，在蒸馏时，我们不光要学习teacher的输出，对中间层我们也希望他们直接尽量相似。

那想象一个这种状态对应的理想情况：中间层的结果一致，最终的结果一致,既然我们的期望中间结果一致，那也就意味着两者可以互相替换。正如开头提到的忒修斯之船一样。所以核心思想是：「与其设计复杂的loss来让中间层结果相似不如直接用小模型替换大模型来训练」

通过复杂loss来达到与中间层结果相似可以看作是一种整体渐进式的逼近，让小模型一点点去学习，而直接替换可以看作是一种简单粗暴的方式，但是他不需要设计各种loss，优化目标也是同一个，就只有一个下游任务相关的loss，突出一个简洁。

这就好比高中上学一样，即使花高价也要让孩子去一所好高中，因为学校的"氛围"能让孩子的学习成绩进步，其实是因为周围的孩子带着一起学，弱鸡也能学的比平时更多一点。bert-of-theseus也是类似的道理，跟着大佬（teacher）总比单独fine-tuning效果好。

具体流程

如果直接将小模型替换大模型，那其实是在对小模型进行微调，与大模型就脱离了，也达不到对应的效果，所以作者采用了一种概率替换的方式。

首先呢，想象我们现在已经训练好了一个6层的BERT，我们成为Predecessor（前辈）, 而我们需要训练一个三层的bert，他的结果近似12层BERT的效果，我们成为Successor(传承者),那 bert-of-theseus的模型结构如下图^[4]所示：

bert-of-theseus,图源科学空间

在bert-of-theseus中，首先固定predecessor的权重，然后将6层的Bert分为3个block，每个block与successor的一层对应，训练过程分为两个stage：

首先用successor中的层概率替换predecessor中对应的block，在下游任务中直接fine-tuning（只训练successor），
然后将successor从bert-of-theseus中分离出来，单独在下游任务中进行fine-tuning，直到指标不再上升。

所谓替换，就是输出的替换，在进入下一层前在predecessor和successor的输出中二选一。替换概率作者也给出了两种方式，一种是固定 0.5,一种是线性从0-1,如下图所示：

实验效果

实验代码主要参考bert-of-theseus^[5], 实验主要做了三组，一组文本分类两组ner-crf，结果如下：

文本分类：CLUE的iflytek数据集

ner-crf: 公司数据

可以看到，相比直接那前几层微调，bert-of-theseus的效果确实更好，此外，我还尝试了线性策略的替换概率，效果上差别不大。

实验代码：

classification_ifytek_bert_of_theseus^[6]
sequence_labeling_ner_bert_of_theseus^[7]

本文参考资料

[1]

Bert-of-theseus: https://arxiv.org/abs/2002.02925

[2]

All The Ways You Can Compress BERT: http://mitchgordon.me/machine/learning/2019/11/18/all-the-ways-to-compress-BERT.html

[3]

为什么要压缩模型，而不直接训练一个小的CNN: https://www.zhihu.com/question/303922732

[4]

下图: https://spaces.ac.cn/archives/7575

[5]

bert-of-theseus: https://github.com/bojone/bert-of-theseus

[6]

classification_ifytek_bert_of_theseus: https://github.com/xv44586/toolkit4nlp/blob/master/examples/classification_ifytek_bert_of_theseus.py

[7]

sequence_labeling_ner_bert_of_theseus: https://github.com/xv44586/toolkit4nlp/blob/master/examples/sequence_labeling_ner_bert_of_theseus.py

- END -

往期精彩回顾




适合初学者入门人工智能的路线及资料下载
机器学习及深度学习笔记等资料打印
机器学习在线手册
深度学习笔记专辑
《统计学习方法》的代码复现专辑
AI基础下载
机器学习的数学基础专辑
本站qq群704220115，加入微信群请扫码：