重回榜首！Facebook開源加強版BERT，全面超越XLNet

大資料文摘出品

作者：寧靜

剛剛被拉下神壇的BERT又一次稱霸了GLUE、SQuAD和RACE三個排行榜。

今年六月，谷歌釋出XLNet，指出並解決了BERT的缺點，在20多個指標上全面刷爆了BERT之前的成績，資料、算力相比BERT增加了很多，也在業內引起了激烈討論：到底該用BERT還是XLNet？

Facebook前幾天宣佈：如果訓練更久一點、資料量再大一點，BERT 還是能重新達到 GLUE 基準的第一名。

今天，Facebook開源了這個基於BERT開發的加強版預訓練模型RoBERTa，全稱"Robustly optimized BERT approach"——強力最佳化BERT方法，在GLUE、SQuAD和RACE三個排行榜上都取得了最優成績。

在今天的官方推文中，Facebook AI也直接明瞭地點出了這一方法的稱霸訣竅：更久的訓練時間、更多的資料、更強力調參。

Facebook也強調了RoBERTa誕生的意義：

調整BERT訓練程式可以顯著提高其在各種NLP任務上的表現，同時也表明了這種方法的競爭力。更廣泛來看，這項研究進一步證明了，監督訓練有可能達到或超過更傳統的監督方法的表現。RoBERTa是Facebook不斷致力於推動自我監督系統最先進技術的一部分，該系統的開發可以減少對時間和資源密集型資料標籤的依賴。

這項研究由Facebook AI和華盛頓大學的研究團隊共同完成，並公開了論文和程式碼，先附上鍊接：

論文連結：

Github程式碼連結：

亮點：RoBERTa基於BERT的改進

RoBERTa基於BERT的改進在四個方面展開，包括：

1. 更長時間地訓練模型，批次更大，資料更多;

2. 刪除下一句預測的目標;

3. 較長時間的訓練;

4. 動態改變應用於訓練資料的masking模式。

論文的貢獻在於：

1. 提出了一套重要的BERT設計選擇和訓練策略，並引入了能夠提高下游任務成績的備選方案;

2. 文中使用一種新的資料集CCNEWS，並確認使用更多資料進行預訓練，進一步改善了下游任務的效能；

3. 預訓練的masked language model相比發表的其他方法都更具有競爭力，已經開源了在PyTorch中模型訓練和引數微調的程式碼。

模型內部架構

之前的BERT採用Transformer 結構，改經後的RoBERTa使用的是L層的transformer 架構，每個block 都使用一個self-attention head和隱藏維度H。

在講解模型內部原理之前先簡單介紹NLP領域中常用的Transformer 結構:

Transformer的主體結構圖

模型分為編碼器和解碼器兩個部分,編碼器和解碼器的輸入就是利用學習好的embeddings將tokens（一般應該是詞或者字元）轉化為d維向量。對解碼器來說，利用線性變換以及softmax函式將解碼的輸出轉化為一個預測下一個token的機率。

Transformer用於機器翻譯任務，表現極好，可並行化，並且大大減少訓練時間。

模型預訓練

在預訓練模型的過程中，需要完成兩個指標：Masked Language Model (MLM) 和Next Sentence Prediction (NSP)

• Masked Language Model (MLM) ：MLM的目標是masked tokens序列中的交叉熵，選擇輸入中的隨機token樣本，並替換為特殊的token [MASK]，BERT模型一致選擇輸入token中的15%作為可能的替換，在所選的token（selected tokens）中，80%的selected tokens替換為token [MASK]，10%的selected tokens保持不變，另外10%替換為隨機選擇的詞彙表token。

• Next Sentence Prediction (NSP)下一句預測：預測兩個語段之間的二元分類損失，判斷語句有沒有前後的依從關係，其中正樣本來自於文字語料庫中提取連續的句子，負樣本來自於不同文件的段進行配對，正負樣本相同的機率進行取樣。

模型引數最佳化

BERT用以下引數：β1= 0.9，β2= 0.999，ǫ = 1e-6，L2權重為0.01，伴隨著學習率的加快，在前10,000個steps中達到峰值1e-4，然後線性衰減；BERT訓練時在所有層和attention結構中採用0.1的 dropout ，使用GELU啟用函式，模型預訓練有S = 1,000,000次更新，小批次包含B = 256個sequences和T = 512的tokens序列。

實驗結果

當控制訓練資料時，我們觀察到RoBERTa比BERTLARGE結果有了很大的改進，當資料集從16GB增加到160GB,訓練次數從100K到300K再到500K的過程中，模型準確度也逐漸提升。

RoBERTa在開發和測試中使用了提供的SQuAD資料，+表示依賴於額外外部訓練資料的結果，從下面兩個表中，可以看到RoBERTa相比XLNet有精度上的提升，表中加粗的數字。

在RACE測試集上的結果顯示，RoBERTa的Accyracy相比BERT(large)提高了10個百分點，相比XLNet(large)提高了2個百分點。

BERT與XLNet之爭

自誕生起，BERT在江湖中地地位一直頗動盪。

去年10月，谷歌放出了稱霸GLUE榜單的BERT模型，當時BERT最大的創新就是提出了Masked Language Model作為預訓練任務，解決了GPT不能雙向編碼、ELMo不能深度雙向編碼的問題。之後從那天起，很多工都不再需要複雜的網路結構，也不需要大量的標註資料，業界學術界都基於BERT做了很多事情。

2019年6月19日，谷歌又放出了一個模型XLNet，找到並解決了BERT的缺點，在20多個指標上全面刷爆了BERT之前的成績，資料、算力相比BERT增加了很多。

語言模型預訓練導致了顯著的效能增益，但是在不同方法之間仔細仍然具有挑戰性，計算的訓練成本是昂貴的，同樣，超引數選擇對最終結果有顯著的影響。

但是，XLNet的王座終沒做穩，在充分測量許多關鍵的超引數和訓練資料大小的影響，研究人員發現，Bert的訓練明顯不足，改進後的Bert模型可以達到或超過在之後釋出的每一個模型的效能。

本月初，XLNet 團隊嘗試以一種在相同環境和配置下訓練兩個模型的方式，對比了 XLNet 和 BERT 的效果，回應業內的討論。

研究者嘗試讓每一個超引數都採用相同的值，使用相同的訓練資料。

最終結果?

實驗中有一些有趣的觀察結果：

• 使用幾乎相同的訓練配方訓練相同的資料，XLNet在所有資料集上以相當大的優勢超越BERT。

• 在11個基準測試中的8箇中，採用10倍以上資料的收益，小於從BERT切換到XLNet的效能增益。

• 在一些基準測試中，例如CoLA和MRPC，在更多資料上訓練的模型效能低於在較少資料上訓練的模型。

雖然這一研究是XLNet團隊釋出的，但是對於兩者的長期爭論仍然有很大的價值。感興趣的讀者可以檢視原文?