|
| 1 | +# TinyBERT: Distilling BERT for Natural Language Understanding |
| 2 | +以下是本例的简要目录结构及说明： |
| 3 | +``` |
| 4 | +. |
| 5 | +├── task_distill.py # 在特定任务上下的蒸馏脚本 |
| 6 | +├── data_augmentation.py # 离线数据增强脚本 |
| 7 | +└── README.md # 文档，本文件 |
| 8 | +``` |
| 9 | +## 简介 |
| 10 | +本目录下的实验主要参考论文[《TinyBERT: Distilling BERT for Natural Language Understanding》](https://arxiv.org/abs/1909.10351)实现。 |
| 11 | +TinyBERT中蒸馏的整体过程：首先进行通用蒸馏，然后用数据增强后的数据，在特定任务上进行蒸馏，本文主要进行了第二阶段的蒸馏，模型是利用第一阶段得到的通用小模型`tinybert-6l-768d-v2`进行初始化。 |
| 12 | + |
| 13 | +<p align="center"> |
| 14 | +<img src="./imgs/tinybert.png" width="950"/><br /> |
| 15 | +TinyBERT蒸馏流程图 |
| 16 | +</p> |
| 17 | + |
| 18 | + |
| 19 | +在模型蒸馏中，较大的模型（在本例中是BERT base）通常被称为教师模型，较小的模型（在本例中是层数为6的BERT，下文都称TinyBERT6）通常被称为学生模型。 |
| 20 | +知识的蒸馏通常是通过让学生模型学习相关的蒸馏相损失函数实现，在本实验中，蒸馏的学习目标由两个部分组成，分别是中间层的蒸馏损失和预测层的蒸馏损失。其中，中间层的蒸馏包括对Embedding层的蒸馏、对每个Transformer layer输出的蒸馏、以及对每个Transformer中attention矩阵（softmax之前的结果）的蒸馏，三者均采用的是均方误差损失函数。而预测层蒸馏的学习目标则是学生模型输出的logits和教师模型输出的logits的交叉熵损失。 |
| 21 | + |
| 22 | +由于教师模型是12层，学生模型的层数少于教师模型的层数，因此需要选择一种layer mapping的方式。论文中采用了一种固定的映射方式，当学生模型的层数为教师模型的1/2时，学生第i层的attention矩阵，需要学习教师的第2i+1层的attention矩阵，Transformer layer输出同理。 |
| 23 | + |
| 24 | +实验分为两个大的训练过程：先对BERT-base进行微调，得到教师模型，再进行蒸馏的训练。其中，蒸馏过程也分为两个步骤：先对中间层进行蒸馏多个epochs（论文中针对具体任务可能是10、20或者30个），再对预测层蒸馏3个epochs。 |
| 25 | + |
| 26 | +需要注意的是，在使用不同教师模型时，`tinybert-6l-768d-v2`、`tinybert-4l-312d-v2`这两个v2版本的预训练模型中开放的从学生embedding输出、transformer中间层输出到教师相应输出的转换矩阵是每层独立的，而其他的`tinybert-6l-768d`、`tinybert-4l-312d`、`tinybert-6l-768d-zh`、`tinybert-4l-312-zh`则是多层之间的参数共用一个转换矩阵的。 |
| 27 | + |
| 28 | +## 数据、预训练模型介绍及获取 |
| 29 | + |
| 30 | +本实验使用GLUE中数据集中的训练集作为训练语料，用数据集中的验证集评估模型的效果。 |
| 31 | + |
| 32 | +运行本目录下的实验，数据集会被自动下载到`paddlenlp.utils.env.DATA_HOME` 路径下，例如在linux系统下，对于GLUE中的QQP数据集，默认存储路径是`~/.paddlenlp/datasets/Glue/QQP`。 |
| 33 | + |
| 34 | +对于BERT的fine-tuning任务，本实验中使用了预训练模型`bert-base-uncased`。同样，这几个模型在训练时会被自动下载到`paddlenlp.utils.env.MODEL_HOME`路径下。例如，对于`bert-base-uncased`模型，在linux系统下，会被下载到`~/.paddlenlp/models/bert-base-uncased`下。 |
| 35 | + |
| 36 | +## 蒸馏实验过程 |
| 37 | + |
| 38 | +### 对BERT Fine-tuning得到教师模型 |
| 39 | +以GLUE的SST-2任务为例，调用BERT fine-tune的训练脚本，配置如下的参数，训练SST-2任务： |
| 40 | + |
| 41 | +```shell |
| 42 | +cd ../../benchmark/glue/ |
| 43 | +export CUDA_VISIBLE_DEVICES=0 |
| 44 | +export TASK_NAME=SST-2 |
| 45 | + |
| 46 | +python -u ./run_glue.py \ |
| 47 | + --model_type bert \ |
| 48 | + --model_name_or_path bert-base-uncased \ |
| 49 | + --task_name $TASK_NAME \ |
| 50 | + --max_seq_length 128 \ |
| 51 | + --batch_size 32 \ |
| 52 | + --learning_rate 2e-5 \ |
| 53 | + --num_train_epochs 3 \ |
| 54 | + --logging_steps 1 \ |
| 55 | + --save_steps 500 \ |
| 56 | + --output_dir ./tmp/$TASK_NAME/ \ |
| 57 | + --n_gpu 1 \ |
| 58 | + |
| 59 | +``` |
| 60 | + |
| 61 | +训练完成之后，可将训练效果最好的模型保存在本项目下的`pretrained_models/$TASK_NAME/`下。模型目录下有`model_config.json`, `model_state.pdparams`, `tokenizer_config.json`及`vocab.txt`这几个文件。 |
| 62 | + |
| 63 | + |
| 64 | +### 对TinyBERT在特定任务下蒸馏 |
| 65 | + |
| 66 | +先蒸馏中间层： |
| 67 | + |
| 68 | +```shell |
| 69 | +export CUDA_VISIBLE_DEVICES=0 |
| 70 | +export TASK_NAME=SST-2 |
| 71 | +export TEACHER_DIR=../pretrained_models/SST-2/best_model_610 |
| 72 | + |
| 73 | +python task_distill.py \ |
| 74 | + --model_type tinybert \ |
| 75 | + --student_model_name_or_path tinybert-6l-768d-v2 \ |
| 76 | + --task_name $TASK_NAME \ |
| 77 | + --intermediate_distill \ |
| 78 | + --max_seq_length 64 \ |
| 79 | + --batch_size 32 \ |
| 80 | + --T 1 \ |
| 81 | + --teacher_model_type bert \ |
| 82 | + --teacher_path $TEACHER_DIR \ |
| 83 | + --learning_rate 5e-5 \ |
| 84 | + --num_train_epochs 20 \ |
| 85 | + --logging_steps 10 \ |
| 86 | + --save_steps 10 \ |
| 87 | + --output_dir ./tmp/$TASK_NAME/ \ |
| 88 | + --device gpu |
| 89 | + |
| 90 | +``` |
| 91 | + |
| 92 | +其中参数释义如下： |
| 93 | + |
| 94 | +- `model_type` 学生模型类型，默认且目前仅支持tinybert。 |
| 95 | +- `student_model_name_or_path` 中间层蒸馏后，学生模型存放的目录 |
| 96 | +- `max_seq_length` 表示最大句子长度，超过该长度将被截断。默认：128 |
| 97 | +- `T` softmax的温度，用于对softmax做平滑，在训练中起到放大负标签效果的作用。默认：1 |
| 98 | +- `teacher_model_type` 教师模型的类型，默认且目前仅支持bert |
| 99 | +- `teacher_path` 教师Fine-tuned模型的目录 |
| 100 | +- `output_dir` 学生模型存放的目录 |
| 101 | +- `device` 表示运行该程序的设备，默认是gpu |
| 102 | + |
| 103 | +然后对预测层进行蒸馏： |
| 104 | + |
| 105 | +```shell |
| 106 | + |
| 107 | +export TEACHER_DIR=../pretrained_models/SST-2/best_model_610 |
| 108 | + |
| 109 | +python task_distill.py \ |
| 110 | + --model_type tinybert \ |
| 111 | + --student_model_name_or_path tmp/TASK_NAME best_inter_model \ |
| 112 | + --task_name $TASK_NAME \ |
| 113 | + --max_seq_length 64 \ |
| 114 | + --batch_size 32 \ |
| 115 | + --T 1 \ |
| 116 | + --teacher_model_type bert \ |
| 117 | + --teacher_path $TEACHER_DIR \ |
| 118 | + --learning_rate 3e-5 \ |
| 119 | + --num_train_epochs 3 \ |
| 120 | + --logging_steps 10 \ |
| 121 | + --save_steps 10 \ |
| 122 | + --output_dir ./tmp/$TASK_NAME/ \ |
| 123 | + --device gpu |
| 124 | + |
| 125 | +``` |
| 126 | +其中参数释义如下： |
| 127 | + |
| 128 | +- `student_model_name_or_path` 中间层蒸馏后，学生模型存放的目录 |
| 129 | +其他参数说明同上。 |
| 130 | + |
| 131 | +### 实验中使用的超参数 |
| 132 | + |
| 133 | +| | SST-2 | QQP | MRPC | CoLA | RTE | MNLI | QNLI | |
| 134 | +| -------------------------------- | --------- | --------- | --------- | --------- | --------- | --------- | --------- | |
| 135 | +| batch_size | 32 | 32 | 32 | 32 | 32 | 32 | 32 | |
| 136 | +| max_seq_length | 64 | 128 | 128 | 64 | 128 | 128 | 128 | |
| 137 | +| max_epochs_of_intermediate_layer | 20 | 10 | 20 | 50 | 20 | 10 | 10 | |
| 138 | +| max_epochs_of_prediction_layer | 3 | 3 | 3 | 3 | 3 | 3 | 3 | |
| 139 | +| learning_rate(inter/pred) | 5e-5/3e-5 | 5e-5/3e-5 | 5e-5/3e-5 | 5e-5/3e-5 | 5e-5/3e-5 | 5e-5/3e-5 | 5e-5/3e-5 | |
| 140 | + |
| 141 | + |
| 142 | + |
| 143 | +## 蒸馏实验结果 |
| 144 | + |
| 145 | +本文档的实验基于TinyBERT的6层、hidden_size为768的通用蒸馏得到的模型，用未使用数据增强的原始数据集训练，并基于验证集进行评价。得到以下实验结果： |
| 146 | + |
| 147 | + |
| 148 | +| | SST-2 | QQP(acc/f1) | MRPC(acc/f1) | CoLA | RTE | MNLI-m | MNLI-mm | QNLI | |
| 149 | +| ----------------- | ----- | ----------- | ------------ | ----- | ----- | ------ | ------- | ----- | |
| 150 | +| BERT-base | 93.00 | 90.58/87.35 | 88.23/91.67 | 59.56 | 73.65 | 84.42 | 84.83 | 91.78 | |
| 151 | +| TinyBERT(6l-768d) | 93.00 | 91.13/88.20 | 88.48/91.91 | 52.64 | 72.94 | 84.57 | 84.63 | 91.36 | |
| 152 | + |
| 153 | + |
| 154 | + |
| 155 | +## 数据增强扩充训练集（推荐） |
| 156 | + |
| 157 | +TinyBERT使用的数据增强需要用到BERT预训练模型和Glove Embeddings做词替换。 |
| 158 | + |
| 159 | +即对于样本中的词，有一定的概率会被近义词替换。对于single-piece的词，会利用BERT的预训练模型，把选中的词替换成mask token，然后返回模型预测的top k个概率最大的词，最后随机选择其中一个词做替换；对于非single-piece的词，则使用Glove Embedding，找到top k个最近似的词，随机选择一个做替换。 |
| 160 | + |
| 161 | +先下载glove embeddings |
| 162 | + |
| 163 | +``` |
| 164 | +wget http://nlp.stanford.edu/data/glove.6B.zip |
| 165 | +``` |
| 166 | + |
| 167 | +然后运行下面的命令对GLUE数据集进行扩展 |
| 168 | +``` |
| 169 | +export TASK_NAME=SST-2 |
| 170 | +export GLOVE_EMB="glove/glove.6B.300d.txt" |
| 171 | +python data_augmentation.py --pretrained_bert_model bert-base-uncased \ |
| 172 | + --glove_embs $GLOVE_EMB \ |
| 173 | + --glue_dir /root/.paddlenlp/datasets/Glue/ \ |
| 174 | + --task_name $TASK_NAME |
| 175 | +
|
| 176 | +``` |
| 177 | + |
| 178 | +运行结束后，在glue_dir/$TASK_NAME目录下，会生成`train_aug.tsv`的数据增强后的训练集文件。 |
| 179 | +利用`task_distill.py`时，带上--use_aug这个参数，程序会读取`train_aug.tsv`作训练集进行训练。 |
| 180 | + |
| 181 | +经过实验，利用数据增强后的数据集，在RTE数据集上，Acc由0.7148提升至0.7184。 |
| 182 | + |
| 183 | +## 参考文献 |
| 184 | + |
| 185 | +Jiao X, Yin Y, Shang L, et al. [TinyBERT: Distilling BERT for Natural Language Understanding](https://arxiv.org/abs/1909.10351)[J]. arXiv preprint arXiv:1909.10351v5, 2020. |
0 commit comments