Bert不完全手册5. 推理提速？训练提速!内存压缩！Albert

Albert是A Lite Bert的缩写，确实Albert通过词向量矩阵分解，以及transformer block的参数共享，大大降低了Bert的参数量级。在我读Albert论文之前，因为Albert和蒸馏，剪枝一起被归在模型压缩方案，导致我一直以为Albert也是为了优化Bert的推理速度，但其实Albert更多用在模型参数（内存）压缩，以及训练速度优化，在推理速度上并没有提升。如果说蒸馏任务是把Bert变矮瘦，那Albert就是把Bert变得矮胖。最近写的文本分类库里加入了Albert预训练模型，有在chinanews上已经微调好可以开箱即用的模型，感兴趣戳这里SimpleClassification

Albert主要有以下三点创新

• 参数共享：降低Transfromer Block的整体参数量级
• 词向量分解：有效降低词向量层参数量级
• Sentence-Order-Prediction任务：比NSP更加有效的学习句间关系

下面我们分别介绍这三个部分

词向量分解

其实与其说是分解，个人觉得词向量重映射的叫法更合适一些。在之前BERT等预训练模型中，词向量的维度E和之后隐藏层的维度H是相同的，因为在Self-Attention的过程中Embedding维度是一直保持不变的，所以要增加隐藏层维度，词向量维度也需要变大。但是从包含的信息量来看，词向量本身只包含上下文无关的信息，并不需要像隐藏层一样存储大量的上下文语义，所以相同维度的限制在词向量部分存在一定的参数冗余。所以作者对词向量做了一层映射，词向量本身的参数变成Vocab * E，映射层是E* H，这样本身的复杂度O(Vocab * H)，就降低成了O(Vocab * E + E*H )，相当于把隐藏层大小和词向量部分的参数做了解耦。

这个Trick其实之前在之前的NER系列中出现过多次，比如用在词表增强时，不同词表Embeeding维度的对齐，以及针对维度太高/太低的词表输入，进行适当的降维/升维等等~

以下作者分别对比了在参数共享/不共享的情况下，词向量维度E对模型效果的影响，从768压缩到64，非共享参数下有1个点的下降，共享参数时影响较小。这个在下面参数共享处会再提到，和模型整体能处理的信息量级有一定关系，整体上在共享参数的设定下词向量压缩影响有限~

参数共享是ALbert提高参数利用率的核心。作者对比了各个block只共享Attention，只共享FFN，和共享所有参数，结果如下~

共享参数多少都会影响模型表现，其中效果损失主要来自共享FFN参数。以及在压缩词向量之后，共享参数带来的影响会降低。这里感觉和之前在做词表增强时观察到的现象有些相似，也就是模型的天花板受到输入层整体信息量的影响，因为压缩了词向量维度，限制了输入侧的信息量，模型需要处理的信息降低，从而参数共享带来的损失影响也被降低了

最终作者的选择更多是for最大程度压缩参数量级，share attenion缩减的参数有限，索性就共享了全部的参数。

在第三章讲到Roberta的时候，提到过Roberta在优化Bert的训练策略时，提出NSP任务没啥用在预训练中只使用了MLM目标。当时就提到NSP没有用一定程度上是它构造负样本的方式过于easy，NSP中连续上下文为正样本，从任意其他文档中采样的句子为负样本，所以模型可以简单通过topic信息来判断，而这部分信息基本已经被MLM任务学到。Albert改良了NSP中的负样本生成方式，AB为正样本，BA为负样本，模型需要判别论述的逻辑顺序和前后句子的合理语序。

作者也进行了对比，在预训练任务上，加入NSP训练的模型在SOP目标上和只使用MLM没啥区别，这里进一步证明了NSP并没有学到预期中的句子关联和逻辑顺序，而加入SOP训练的模型在NSP上表现要超过只使用MLM。在下游依赖上下文推理的几个任务上，加入SOP的模型整体表现略好。不过差异没有想象中的明显，感觉在如何构建负样本上应该还有优化的空间。个人感觉只是AB，BA的构造方式可能有些过于局部了

Albert在以上三点改良之外，在训练中也进行了一些优化，例如使用了SpanBert的MASK策略，用了LAMB optimizer来加速训练等等，Albert总共放出了以下几种参数的模型，和BERT之间的效果对比如下~

需要注意最后一列是训练速度的对比哈，哈哈之前看paper没带脑子，想都没想就给当成了推理速度，琢磨半天也没明白这为啥就快了？？？

1. 直接base和base比，large和large比：参数可以压缩到1/10，适合大家自己跑来玩玩，整体模型大小甚至比一些词表大的词向量模型还要小，训练速度上也有提升但是模型效果都有2个点以上的损失，以及因为层数没变，所以推理速度不会更快，以及因为词向量分解的原因多了一层，所以还会略慢些
2. 相似表现对比：ALbert xlarge和Bertlarge对比，都是24层，xlarge的隐藏层是bert的两倍，这里也是为啥说albert是矮胖，因为参数共享所以加层数效果有限，只能增加隐藏层维度。虽然albert xlarge参数压缩到1/5，但是训练更慢，推理也更慢
3. 超越Bert：Albert xxlarge虽然只有12层，但是4倍的隐藏层还是让它的表现全面超越了Bert large，参数压缩到2/3，但是训练速度更更慢，以及超大隐藏层会导致计算中中间变量的存储过大，一般机子跑不动。。。

所以整体感觉albert的实际应用价值比较有限的，但是提出的两个点还有进一步深挖的价值，其一NSP任务负样本是否有进一步改造的空间，其二如何更有效地利用Bert的参数？

---

Reference