解密Prompt系列2. 凍結Prompt微調LM： T5 & PET & LM-BFF

這一章我們介紹固定prompt微調LM的相關模型，他們的特點都是針對不同的下游任務設計不同的prompt模板，在微調過程中固定模板對預訓練模型進行微調。以下按時間順序介紹，支援任意NLP任務的T5，針對文字分類的兩篇PET和LM-BFF。

在小樣本場景，固定prompt微調LM對比常規微調的優點，在分類任務上比較直觀我能想到的有三點(在下面PET中會細說）

• 無需額外的分類層的引數引入，微調成本低
• 標籤詞本身前置語義資訊的引入，無需重頭學習可類比MRC
• 微調和預訓練的Gap更小，任務轉化成LM任務後一致性高

T5

• paper: 2019.10 Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
• Task: Everything
• Prompt: 字首式人工prompt
• Model: Encoder-Decoder
• Take Away: 加入字首Prompt，所有NLP任務都可以轉化為文字生成任務

T5論文的初衷如標題所言，是為了全面公平的對比不同預訓練和遷移策略的貢獻和效果，避免在A模型上效果不好的預訓練目標在B上可能效果更優的情況，對比項包括

• 預訓練目標：語言模型，亂序還原，MLM(不同的掩位元速率)，Span掩碼, etc
• 預訓練資料：構建C4資料集，從C4抽取不同領域語料來訓練
• 模型架構: Encoder-Decoder，Decoder Only，Encoder Only
• 遷移策略：逐步解凍，全量微調，區域性微調
• 其他：多工預訓練，模型大小

說句題外話，再看論文結果發現Encoder-Decoder的模型結果+SpanMLM損失函式效果最好。不知道這是否是谷歌押注T5，而沒有像OpenAI一樣選擇Deocder結構的原因。

具體對比結果這裡不細說，本文只關注T5為了公平對比以上差異，提出的Text2Text的通用建模框架：用相同的模型，相同的預訓練，相同的損失函式和解碼方式，把文字分類，摘要，翻譯，QA都轉化成了生成任務，而轉化的方式就是透過加入字首prompt。

針對不同的下游微調任務，我們看下T5提出的Text2Text是如何構建prompt模板的

1. WMT英語到德語的翻譯任務，輸入是'translate English to German:'+input, 輸出是翻譯結果
2. CNN Mail摘要任務: 文字摘要任務，輸入是‘Summarize:'+input，輸出是摘要
3. MNLI任務：輸入是'mnli hypothesis:'+假設+'premise:'+敘述，輸出是contradiction, entailment，neutral
4. STS文字相似任務：輸入是'stsb sentence1:'+input1+‘sentence2：’+input2, 輸出是1~5的打分（離散化）
5. 問答SQuAD任務：輸入是'question:'+提問+ 'context:'+上下文，輸出是答案

不難發現在T5的時代，prompt模板的構建還比較粗糙，更多是單純的任務名稱+任務型別來區分不同的NLP任務，只是讓模型在解碼時多一層條件機率，既給定不同prompt字首在解碼時採用不同的條件機率（attention）。並沒有太多從語義和上下文關聯的角度去進行prompt模板的構建，我猜這是T5在論文中提到他們嘗試了不同的prompt模板發現效果影響有限的原因（哈哈因為都不太好所以沒啥差異），不不能否定T5在通用LM上做出的貢獻~

PET-TC(a)

• paper a: 2020.1 Exploiting Cloze Questions for Few Shot Text Classification and Natural
• prompt: 單字完形填空式人工Prompt
• Task： Text Classification
• Model: Roberta-large, XLM-R
• Take Away: 加入完形填空式Prompt把文字分類任務轉化成單字MLM

和第一章的LAMA相似，PET-TC也是把輸入對映成完形填空式的prompt模板，對掩碼詞進行預測作為分類標籤。不過PET沒有直接使用prompt，而是用了半監督的方案。用多個prompt模板微調模型後，對大規模無監督資料進行預測，然後在偽標籤上進行常規的模型微調，哈哈繞了一個圈最後還是輸出的常規微調的模型。我大膽猜測作者很看好prompt正規化在微調時引入的前置語義資訊，以及無額外引數的設定，但是對不同prompt和answer模板帶來的不穩定性感到頭疼，於是搞出這麼個折中的方法~

prompt & Answer Engineer

PET針對每個資料集人工設計了prompt模板和Answer詞對標籤的對映。針對單雙文字輸入分別舉兩個例子，以下a，b為原始輸入文字，'_'位置為MASK詞

• 單輸入：Yelp評論1~5星打分，標籤詞分別為terrible, bad，okay，good，great

• 雙輸入：AG's News新聞四分類問題, 標籤詞分別為分類名稱Worlds，Sports, Business, Science/Tech,

可以看出作者構建prompt模板的思路是儘可能還原文字所在的上下文場景，Answer詞的選取是一對一的構建模式，每個label只選取一個詞來表示。

固定prompt微調LM

完形填空式的prompt模板在微調時的優勢，我認為主要有以下三點

• 沒有額外引數的引入，常規微調需要引入hidden_size * label_size的額外引數（classify head）作為每個標籤對應的空間表徵，這部分需要針對下游任務重頭學習。而完形填空的token是在原始vocab中的，於是只需要調整標籤詞的預訓練表徵讓它在label上線性可分即可
• 前置語義資訊的引入，因為標籤詞的選取本身符合label的原始語義，例如以上YELP評論打分中的5個形容詞本身就是隱含了評論質量資訊的，所以會引入部分前置資訊，避免重頭學習，這一點和MRC有些相似
• 預訓練和微調的一致性高，都是解決完形填空問題，學習目標一致

微調的損失函式是交叉熵，作者沒有引入額外引數，而是把MASK位置上模型的預估logits在label上歸一化來得到分類預測。例如上面的AG新聞分類任務，先得到MASK位置worlds，sports，business，science這四個詞的預測logits，然後歸一化得到預估機率，再和分類標籤計算交叉熵。

為了避免災難遺忘作者在下游任務微調時加入了預訓練的MLM任務，於是微調的損失函式如下

\[L = (1-\alpha) L_{CE} + \alpha L_{MLM} \]

半監督+蒸餾

這部分的設計可以和prompt的部分分開來看，是一個半監督方案。以上每個任務對應的多個prompt模板，分別固定prompt微調LM得到一版模型，然後在大量的未標註樣本上進行預測，再對多個模型的預測值進行加權得到偽標籤。

最終在為標籤上使用常規的微調方案（加classifier head），訓練模型作為輸出，這一步類比知識蒸餾。所以PET最後輸出的還是常規的監督微調模型，Prompt只是被當做了一種半監督方案。效果上在小樣本的設定上比直接使用監督微調都有一定的效果提升。

作者還做了iPET對以上過程透過迭代逐步擴大資料集，提高偽標籤準確率的方案，不過這麼麻煩的實現一點都不適合我這種懶人，哈哈就不細說了~

針對PET有幾點疑問

• 完形填空類的prompt，在微調過程中可能的災難遺忘，是否因為對label詞的微調偏離了詞在原始文字中語義表徵，以及和其他詞的相對位置
• prompt模板差異帶來的效果差異尚未解決，人工構建的prompt模板不一定是最優的
• Answer詞單token，以及和label一一對應的設定，限制性較強。這部分在後面的續作裡作者做了改良

後面介紹的幾個模型，大多是基於PET上述問題的改良~

PET-TC(B)

• paper b: 2020.9 It’s not just size that matters: Small language models are also few-shot learners.
• Prompt： 多字完形填空式人工Prompt
• Task：Text Classification
• Model: Albert-xxlarge-v2
• Take Away: 支援多字的完形填空Prompt，效果超越GPT3

這篇paper和上面的PET-TC是同一作者，算是上文的續作，主要最佳化了Answer詞單token設定，支援多個token作為標籤詞，不過限制性依舊較強是預先設定任務最大的token數，然後使用最大token數作為MASK數量，而非動態的任意數量的MASK填充。

論文對推理和訓練中的多MASK填充做了不同的處理。在推理中需要向前傳導K次，如下圖所示

1. 使用標籤最大的label詞長度K，生成k個MASK位置
2. 對K個位置同時預估得到K個預估詞，選取機率最高的1個詞進行填充
3. 針對填充後的新文字，對剩餘K-1個位置再進行預估
4. 直到所有位置都被填充，分類機率由所有填充標籤詞的機率累乘得到

\[p(Y=-1|x) = P_M^1(ble|x) * P_M^2(terri|\tilde{x}) \]

在訓練過程中為了提升效率，論文使用了一次向前傳導對多個位置同時完成預估，這時MASK長度是所有標籤的最大長度。例如情感分類問題terr##ble長度為2，great長度為1，這時MASK填充長度為2,great只取第一個MASK詞的機率，後面的忽略，機率計算如下

\[\begin{align} p(Y=-1|x) &= P_M^1(ble|x) * P_M^2(terri|\tilde{x}) \\ p(Y=1|x) &= P_M^1(great|x) \\ \end{align} \]

其他部分和PET基本一樣這裡不再重複。效果上這篇論文換成了Albert-xxlarge-v2模型和GPT-3 few-shot在superGLUE上進行效果對比。不過以下引數對比並不太合理，雖然Albert是層共享引數，但是推理速度並無提升，12層的xxlarge模型參與計算的引數量級應該是223M*12~2B，所以並不是嚴格意義上的小模型。調整引數後，32個小樣本上PET的效果也是超過同等量級甚至更大的GPT3在few-shot上的效果的

LM-BFF

• paper: 2020.12 Making Pre-trained Language Models Better Few-shot Learners
• Prompt: 完形填空自動搜尋prompt
• Task: Text Classification
• Model: Bert or Roberta
• Take Away: 把人工構建prompt模板和標籤詞最佳化為自動搜尋

LM-BFF是陳丹琦團隊在20年底提出的針對few-shot場景，自動搜尋模板和觸發詞的Prompt方案，prompt模板延續了PET的完型填空形式，把人工構建prompt和標籤詞的構建最佳化成了自動搜尋。論文先是驗證了相同模板不同標籤詞,和相同標籤詞不同模板對模型效果都有顯著影響，如下

以下介紹自動搜尋的部分

標籤詞搜尋

考慮在全vocab上搜尋標籤詞搜尋空間太大，在少量樣本上直接微調選擇最優的標籤詞會存在過擬合的問題。作者先透過zero-shot縮小候選詞範圍，再透過微調選擇最優標籤詞。

如下，固定prompt模板(L)，作者用訓練集中每個分類(c)的資料，在預訓練模型上分別計算該分類下MASK詞的機率分佈，選擇機率之和在Top-k的單詞作為候選詞。再結合所有分類Top-K的候選詞，得到n個標籤片語合。這裡的n和k都是超參，在100~1000不等。

然後在n個候選標籤片語合中，針對微調後在驗證集的準確率，選擇效果最好的標籤片語合。

prompt模板搜尋

固定標籤詞，作者使用T5來進行模板生成，讓T5負責在標籤詞前、後生成符合上下文語義的prompt指令，再在所有訓練樣本中選擇整體表現最優的prompt模板。

如下, 固定二分類的標籤詞是great和terrible，T5的模型輸入為Input+MASK+標籤對應標籤詞+MASK，讓模型來完成對MASK部分的填充。現在預訓練模型中透過Beam-Search得到多個模板，再在下游任務中微調得到表現最好的一個或多個prompt模板

以上自動搜尋prompt和標籤詞得到的部分結果如下，該說不說這種方案得到的標籤詞，至少直觀看上去比AutoPrompt合（人）理（類）不（能）少（懂）：

固定prompt微調LM

經過以上搜素得到最優標籤片語合和prompt模板後，作者的微調過程模仿了GPT3的few-shot構建方式。如上圖，先把輸入填充進prompt模板，再從各個分類中各取樣1個樣本作為指令樣本拼接進輸入，為待預測文字補充更豐富的上下文，一起輸入模型。在訓練和推理時，補充的指令樣本都是從訓練集中取樣。

同時為了避免加入的指令樣本和待預測樣本之間差異較大，導致模型可能直接無視接在prompt後面的指令樣本，作者使用Sentence-Bert來篩選語義相似的樣本作為指令樣本。

效果上，作者給出了每類取樣16個樣本的小樣本場景下， Roberta-Large的效果，可以得到以下insights

• 部分場景下自動模板是要優於手工模板的，整體上可以打平，自動搜尋是人工成本的平價替代
• 加入指令樣本對效果有顯著提升
• 在16個樣本的few-shot場景下，prompt微調效果是顯著優於常規微調和GPT3 few-shot效果的

---

Reference

1. 蘇神的必須要GPT-3嗎？不，BERT的MLM模型也能小樣本學習