一只小狐狸带你解锁炼丹术&NLP秘籍
作者:曹庆庆(Stony Brook University 在读PhD,关注Efficient NLP、QA方向,详见awk.ai)
背景
BERT、XLNet、RoBERTa等基于Transformer[1]的预训练模型推出后,自然语言理解任务都获得了大幅提升。问答任务(Question Answering,QA)[2]也同样取得了很大的进步。
用BERT类模型来做问答或阅读理解任务,通常需要将问题和问题相关文档拼接一起作为输入文本,然后用自注意力机制对输入文本进行多层交互编码,之后用线性分类器判别文档中可能的答案序列。如下图:
虽然这种片段拼接的输入方式可以让自注意力机制对全部的token进行交互,得到的文档表示是问题相关的(反之亦然),但相关文档往往很长,token数量一般可达问题文本的10~20倍[3],这样就造成了大量的计算。
在实际场景下,考虑到设备的运算速度和内存大小,往往会对模型进行压缩,比如通过蒸馏(distillation)小模型、剪枝(pruning)、量化(quantization)和低轶近似/权重共享等方法。
但模型压缩还是会带来一定的精度损失。因此我们思考,是不是可以参考双塔模型的结构,提前进行一些计算,从而提升模型的推理速度?
如果这种思路可行,会有几个很大的优势:
它不需要大幅修改原来的模型架构
也不需要重新预训练,可以继续使用标准Transformer初始化+目标数据集fine-tune的精调方式
还可以叠加模型压缩技术
经过不断地尝试,我们提出了《Deformer:Decomposing Pre-trained Transformers for Faster Question Answering》[4],在小幅修改模型架构且不更换预训练模型的情况下提升推理速度。下面将为大家介绍我们的思考历程。
论文链接:
https://awk.ai/assets/deformer.pdf
代码链接:
https://github.com/StonyBrookNLP/deformer
Arxiv访问慢的小伙伴也可以在订阅号后台回复关键词【0604】下载论文PDF。
模型结构
在开篇的介绍中,我们指出了QA任务的计算瓶颈主要在于自注意力机制需要交互编码的token太多了。因此我们猜想,是否能让文档和问题在编码阶段尽可能地独立?
这样的话,就可以提前将最难计算的文档编码算好,只需要实时编码较短的问题文本,从而加速整个QA过程。
部分研究表明,Transformer 的低层(lower layers)编码主要关注一些局部的语言表层特征(词形、语法等等),到高层(upper layers)才开始逐渐编码与下游任务相关的全局语义信息。因此我们猜想,至少在模型的某些部分,“文档编码能够不依赖于问题”的假设是成立的。 具体来说可以在 Transformer 开始的低层分别对问题和文档各自编码,然后再在高层部分拼接问题和文档的表征进行交互编码,如图所示:
为了验证上述猜想,我们设计了一个实验,测量文档在和不同问题交互时编码的变化程度。下图为各层输出的文档向量和它们中心点cosine距离的方差:
可以看到,对于BERT-Based的QA模型,如果编码的文档不变而问题变化,模型的低层表征往往变化不大。这意味着并非所有Transformer编码层都需要对整个输入文本的全部token序列进行自注意力交互。
因此,我们提出Transformer模型的一种变形计算方式(称作 DeFormer):在前层对文档编码离线计算得到第 层表征,问题的第层表征通过实时计算,然后拼接问题和文档的表征输入到后面到层。下面这幅图示意了DeFormer的计算过程:
值得一提的是,这种方式在有些QA任务(比如SQuAD)上有较大的精度损失,所以我们添加了两个蒸馏损失项,目的是最小化Deformer的高层表征和分类层logits与原始BERT模型的差异,这样能控制精度损失在1个点左右。
实验
这里简要描述下四组关键的实验结果:
(1)在三个QA任务上,BERT和XLNet采用DeFormer分解后,取得了2.7-3.5倍的加速,节省内存65.8-72.0%,效果损失只有0.6-1.8%。BERT-base()在SQuAD上,设置能加快推理3.2倍,节省内存70%。
(2)实测了原模型和DeFormer在三种不同硬件上的推理延迟。DeFormer均达到3倍以上的加速。
(3)消融实验证明,添加的两个蒸馏损失项能起到弥补精度损失的效果。
(4)测试DeFormer分解的层数(对应折线图横轴)对推理加速比和性能损失的影响。这个实验在SQuAD上进行,且没有使用蒸馏trick。
总结
这篇文章提主要提出了一种变形的计算方式DeFormer,使问题和文档编码在低层独立编码再在高层交互,从而使得可以离线计算文档编码来加速QA推理和节省内存。
创新之处在于它对原始模型并没有太大修改。部署简单,而效果显著。 实验结果表明基于BERT和XLNet的Deformer均能取得很好的表现。笔者推测对其他的Transformer模型应该也同样有效,并且其他模型压缩方法和技术应该也可以叠加使用到DeFormer上来进一步加速模型推理。
Arxiv访问慢的小伙伴也可以在订阅号后台回复关键词【0604】下载论文PDF。
本文收录于原创专辑:《卖萌屋@自然语言处理》
重磅惊喜:卖萌屋小可爱们苦心经营的 自然语言处理讨论群 成立三群啦!扫描下方二维码,后台回复「入群」即可加入。众多顶会审稿人、大厂研究员、知乎大V以及美丽小姐姐(划掉????♀️)等你来撩噢~(手慢无
夕小瑶的卖萌屋
关注&星标小夕,带你解锁AI秘籍
订阅号主页下方「撩一下」有惊喜哦
可
能
喜
欢
卖萌屋原创专辑首发,算法镇魂三部曲!
GPT-3诞生,Finetune也不再必要了!NLP领域又一核弹!
ACL2020 | 线上搜索结果大幅提升!亚马逊提出对抗式query-doc相关性模型
别再蒸馏3层BERT了!变矮又能变瘦的DynaBERT了解一下
All in Linux:一个算法工程师的IDE断奶之路
参考文献
[1]
论文方面可以参考邱老师组的文献综述: Models for Natural Language Processing : A Survey ( https://arxiv.org/abs/2003.08271 ),实例代码可以参见 huggingface 的 Transfomer 库
[2]严格来说是机器阅读理解,即给出问题从相关文章中提取答案,一般QA系统还包括检索阶段来找到问题相关的文档
[3]比如SQuAD问题平均10个token,但文档平均有116个token
[4]Deformer:Decomposing Pre-trained Transformers for Faster Question Answering: https://awk.ai/assets/deformer.pdf