RoBERTa中文預訓練模型，你離中文任務的「SOTA」只差個它

機器之心發表於2019-09-05
模型

有了中文文字和實現模型後，我們還差個什麼？還差了中文預訓練語言模型提升效果呀。

對於中文領域的預訓練語言模型，我們最常用的就是 BERT 了，這並不是說它的效果最好，而是最為方便。昨天，國內開發者 brightmart 開源了最新的 RoBERTa 中文預訓練語言模型，開發社群又有新的中文模型可以用了。

專案地址：https://github.com/brightmart/roberta_zh

專案表示，該中文預訓練模型為 24 層的 base 版，它使用了 10G 文字進行資料訓練，包含新聞、社群問答、百科資料等。

模型下載地址：https://storage.googleapis.com/roberta_zh/roberta_model/roeberta_zh_L-24_H-768_A-12.zip

作者同時計劃進行下一步的預訓練工作，並逐漸開源更大的 RoBERTa 中文預訓練模型。

GitHub 專案介紹開源計劃如下：

  1. 24 層 RoBERTa 模型 (roberta_l24_zh)，使用 30G 檔案訓練，9 月 8 日

  2. 12 層 RoBERTa 模型 (roberta_l12_zh)，使用 30G 檔案訓練，9 月 8 日

  3. 6 層 RoBERTa 模型 (roberta_l6_zh)，使用 30G 檔案訓練，9 月 8 日

  4. PyTorch 版本的模型 (roberta_l6_zh_pytorch)，9 月 8 日

  5. 30G 中文語料，預訓練格式，可直接訓練（bert、xlent、gpt2），9 月 8 日

  6. 測試集測試和效果對比，9 月 14 日

看來該專案還要過幾天才會完善，但它已經非常值得期待了。那麼一般我們常用的中文預訓練語言模型又有什麼呢？

中文預訓練語言模型都有什麼

目前呼叫預訓練語言模型最主流的專案就是 huggingface 的 pytorch-transformers 了，它幾乎包含所有主流的預訓練語言模型，並且使用起來非常便捷。機器之心也曾使用過這個庫，它從 Tokenize、轉化為字元的 ID 到最終計算出隱藏向量表徵，提供了整套 API，我們可以快速地將其嵌入到各種 NLP 系統中。

RoBERTa中文預訓練模型，你離中文任務的「SOTA」只差個它

但是在使用過程中，我們會發現中文的預訓練模型非常少，只有 BERT-Base 提供的那種。雖然它的效能也不差，但既然 XLNet 等用英文訓練的模型效果更好，那麼我們還是更希望有這些資源的。

值得注意的是，pytorch-transformers 同時支援匯入 TensorFlow 預訓練的模型與 PyTorch 預訓練的模型，它們倆都可以匯入到庫中。

清華的預訓練 BERT

早兩個月，清華大學開源了一個名為 OpenCLaP 的專案，即多領域開源中文預訓練語言模型庫。它提供了幾種中文預訓練 BERT，並表示它們可以直接透過 huggingface 的 pytorch-transformers 專案呼叫。

OpenCLaP 專案地址：https://github.com/thunlp/OpenCLaP

RoBERTa中文預訓練模型，你離中文任務的「SOTA」只差個它

圖注：OpenCLaP 目前釋出的預訓練語言模型。

機器之心也嘗試過在 pytorch-transformers 專案中匯入清華預訓練的百度百科 BERT，我們發現這也是沒問題的，它能正常工作。

除此之外，百度也開源了預訓練語言模型 ERNIE，不過目前只有 ERNIE 1.0 Base 提供了中文預訓練模型，ERNIE 2.0 目前還只提供英文預訓練模型。當然，如果要使用 ERNIE，我們需要了解 PaddlePaddle 框架，並透過 ernie_encoder.py 抽取句子與 Token 的隱藏向量表示。

現在，也許常用的中文預訓練語言模型又要再新增一項，中文 RoBERTa。

中文 RoBERTa

作者按照 RoBERTa 論文主要精神訓練了這一模型，並進行了多項改進和調整：

  1. 資料生成方式和任務改進：取消下一個句子預測，並且資料連續從一個文件中獲得 (見：Model Input Format and Next Sentence Prediction，DOC-SENTENCES)；

  2. 更大更多樣性的資料：使用 30G 中文訓練，包含 3 億個句子，100 億個字 (即 token）。由於新聞、社群討論、多個百科，保羅永珍，覆蓋數十萬個主題；

  3. 訓練更久：總共訓練了近 20 萬，總共見過近 16 億個訓練資料 (instance)； 在 Cloud TPU v3-256 上訓練了 24 小時，相當於在 TPU v3-8(128G 視訊記憶體) 上需要訓練一個月；

  4. 更大批次：使用了超大（8k）的批次 batch size；

  5. 調整最佳化器引數；

  6. 使用全詞 mask（whole word mask）。

RoBERTa中文預訓練模型，你離中文任務的「SOTA」只差個它

圖注：全詞 Mask 和其他文字處理方法對比。

作者表示，在本專案中，沒有實現 dynamic mask。

RoBERTa：站在 BERT 的肩膀上

說起 RoBERTa 模型，一些讀者可能還會感到有些陌生。但是實際來看，RoBERTa 模型更多的是基於 BERT 的一種改進版本。是 BERT 在多個層面上的重大改進。

RoBERTa 在模型規模、算力和資料上，主要比 BERT 提升了以下幾點：

  • 更大的模型引數量（從 RoBERTa 論文提供的訓練時間來看，模型使用 1024 塊 V 100 GPU 訓練了 1 天的時間）

  • 更多的訓練資料（包括：CC-NEWS 等在內的 160GB 純文字）

此外如下所示，RoBERTa 還有很多訓練方法上的改進。

1. 動態掩碼

BERT 依賴隨機掩碼和預測 token。原版的 BERT 實現在資料預處理期間執行一次掩碼，得到一個靜態掩碼。而 RoBERTa 使用了動態掩碼：每次向模型輸入一個序列時都會生成新的掩碼模式。這樣，在大量資料不斷輸入的過程中，模型會逐漸適應不同的掩碼策略，學習不同的語言表徵。

2. 更大批次

RoBERTa 在訓練過程中使用了更大的批數量。研究人員嘗試過從 256 到 8000 不等的批數量。

3. 文字編碼

Byte-Pair Encoding（BPE）是字元級和詞級別表徵的混合，支援處理自然語言語料庫中的眾多常見詞彙。

原版的 BERT 實現使用字元級別的 BPE 詞彙，大小為 30K，是在利用啟發式分詞規則對輸入進行預處理之後學得的。Facebook 研究者沒有采用這種方式，而是考慮用更大的 byte 級別 BPE 詞彙表來訓練 BERT，這一詞彙表包含 50K 的 subword 單元，且沒有對輸入作任何額外的預處理或分詞。

RoBERTa 的實際效果

雖然沒有中文預訓練模型的效果比較，但 RoBERTTa 的作者對比了 RoBERTA（large）、BERT（large）和 XLNET 在不同任務上的表現結果。

RoBERTa中文預訓練模型，你離中文任務的「SOTA」只差個它

結果可以看到，RoBERTa 相比於其他預訓練語言模型，在多個任務上實現了 SOTA。

相關文章