预训练模型（5）---- SpanBERT&RoBERTa&ERNIE2

本文主要介绍一些比较小众的预训练模型，这些模型不像Bert、XLNet等那么有影响力，都是在这些模型的基础上做的相关改进工作，但是这些工作可以引导我们学会如何优化模型，对我们的学习以及科研都会有很大的帮助。

首先是Facebook的提出的两个预训练模型——SpanBERT和RoBERTa。

1. SpanBERT

论文链接：

SpanBERT: Improving Pre-training by Representing and Predicting Spans

代码链接：

https://github.com/facebookresearch/SpanBERT

这篇论文中提出了一种新的mask的方法，以及一个新损失函数对象。并且讨论了bert中的NSP任务是否有用。接下来SpanBERT是如何预训练的，具体如下图所示：

如上图所示，首先这里的mask策略是span mask。具体的做法是首先从一个几何分布中采样span的长度，且限制最大长度为10，然后再随机采样（如均匀分布) span的初始位置。整个训练任务就是预测mask的token，另外mask的比例问题和bert中类似。但是在这里引入了两个损失对象，LMLM 和LSBO，LMLM和bert中的一样，而这个LSBO是只通过span的边界处的两个token来预测span中mask的词，公式表示如下：

函数f(.)表示如下：

除了这些之外还有两个策略，一是动态mask，在bert中是在数据预处理阶段对一条序列随机不同的mask 10次，而在这里是每次epoch时对序列使用不同的mask。二是bert中会在数据预处理阶段生成10%的长度短于512的序列，而在这里不做这样的操作，只是对一个document一直截取512长度的序列，但最后一个序列长度可能会小于512。另外将adam中的ϵ设置为1e-8。作者根据这两个策略从新训练了一个bert模型，同时去除NSP任务只使用单条序列训练了一个bert模型。因此作者给出了四个模型的性能对比：

1. Google BERT：谷歌开源的bert
2. Our BERT：基于上面两个策略训练出来的bert
3. Our BERT-1seq：基于上面两个策略，且去除NSP任务的bert
4. SpanBERT：本篇论文提出的模型

作者给出的第一个性能测试的表格是在SQuAD数据集上

SpanBERT是有很大的提升的，另外去除NSP任务也有提升，作者认为NSP任务使得单条序列的长度不够，以至于模型无法很好的捕获长距离信息。另外在其他的抽取式QA任务上也有很大的提升。

个人认为SpanBERT在抽取式QA任务上能取得如此大的提升，是因为SpanBERT中构造的任务，尤其是SBO任务实际上是有点贴合抽取式QA任务的。

在其他任务上SpanBERT也有一些提升，但是没有在抽取式QA任务上提升这么大，此外作者也做实验表示随机mask span的效果是要优于mask 实体或者短语的。

综合来说，SpanBERT在抽取式QA上的效果表现优异，在抽取式QA上是值得尝试的。

2. RoBERTa

论文链接：

RoBERTa: A Robustly Optimized BERT Pretraining Approach

代码链接：

https://github.com/brightmart/roberta_zh

本篇论文主要是在bert的基础上做精细化调参，可以看作是终极调参，最后性能不仅全面碾压bert，且在大部分任务上超越了XL-Net。

总结下，主要有以下六处改变的地方：

1. Adam算法中的参数调整，ϵ由1e-6改成1e-8，β2由0.999改成0.98。
2. 使用了更多的数据，从16GB增加到160GB。
3. 动态mask取代静态mask。
4. 去除NSP任务，并采用full-length 序列。
5. 更大的batch size，更多的训练步数。
6. 用byte-level BPE取代character-level BPE。

接下来我们来结合作者的实验看看。首先作者任务调整adam的参数是可以使得训练更加稳定且也能取得更好的性能，但并没有给出实验数据。增加数据提升性能是毋庸置疑的。

动态mask

在bert中是在数据预处理时做不同的mask 10次，这样在epochs为40的时候，平均每条mask的序列会出现4次，作者在这里使用动态mask，即每次epochs时做一次不同的mask。结果对比如下：

说实话，没觉得有多大提升，毕竟我们在训练模型的时候，一条数据也会被模型看到多次。

模型输入

对比了有无NSP任务的性能，以及不同的序列输入的性能，作者在这里给出了四种输入形式：

1. SEGMENT-PAIR + NSP：两个segment组成句子对，并且引入NSP任务。
2. SENTENCE-PAIR + NSP：两个sentence组成句子对，并且引入NSP任务，总长可能会比512小很多。
3. FULL-SENTENCES：有多个完成的句子组成，对于跨文档的部分，用一个标识符分开，但是总长不超过512，无NSP任务。
4. DOC-SENTENCES：有多个完整的句子组成，但是不跨文档，总长不超过512。

性能如下：

显然直接用句子对效果最差，作者认为主要时序列长度不够，导致模型无法捕捉长距离信息。并且去除NSP任务效果也有所提升。

更大的batch size，更多的训练次数

作者认为适当的加大batch size，既可以加速模型的训练，也可以提升模型的性能。

之后作者在8k的batch size下又增大训练次数

从实验中可以看出采用更大的训练次数，性能也是有不小的提升的。并且可以看到即使在训练数据差不多的情况下，RoBERTa也是要优于BERT的。

总之RoBERTa是一个调参成功的BERT，在诸多任务上全面超越bert，大部分超越XL-Net。

3. ERNIE2

论文链接：

ERNIE 2.0: A Continual Pre-training Framework for Language Understanding

代码链接：

https://github.com/PaddlePaddle/ERNIE

ERNIE2是百度在ERNIE1基础上的一个升级版，不过这次升级幅度比较大，提出了一个持续学习的机制（continual learning）。这个机制比较有意思，有点模仿人学习的形式。我们人是在不断学习，并且是多种任务不停交叉学习。有人觉得工作后就不用学习了，但其实工作才是真正学习的开始。上学期间你可能只是单纯地学习，但在工作中需要快速边做边学（learning by doing，不知道这种机制能否引入到AI中），这时候更能体现一个人的快速学习能力。稍微扯远了，回归下正题。持续学习包括持续构建预训练任务和增量多任务学习两个部分，具体下图:

连续预训练的架构如下图，它包含一系列共享的文本编码层来编码上下文信息，这些文本编码层可以通过循环神经网络或 Transformer 构建，且编码器的参数能通过所有预训练任务更新。

不同于ERNIE1仅有词级别的Pretraining Task，ERNIE2考虑了词级别、结构级别和语义级别3类Pretraining Task，词级别包括Knowledge Masking（短语Masking）、Capitalization Prediction（大写预测）和Token-Document Relation Prediction（词是否会出现在文档其他地方）三个任务，结构级别包括Sentence Reordering（句子排序分类）和Sentence Distance（句子距离分类）两个任务，语义级别包括Discourse Relation（句子语义关系）和IR Relevance（句子检索相关性）两个任务。三者关系如图:

就pre-train的多任务loss而言，个人觉得已经考虑很全了，并且个人之前也比较看好pre-train multi-task学习方向。BERT某种程度上也是一个multi-task学习，包含两个loss。虽然RoBERTa和其他一些文章说next prediction loss已是非必须，但multi-task始终是一个可以前进的方向，尤其是在数据和模型结构不变的情况下，使用multi-task理论上会有些提升。当然multi-task的不足在于如何有效训练多任务，ERNIE2采用了持续学习的机制，多个任务轮番学习，这有点类似于我们人上学，这节课学语文，下节课学数学，再下节课学英语。预训练数据相比BERT来说有所增加，英文约增加了2倍，中文约增加了1倍多。

ERNIE2要优于BERT和XLNet。但也有两点疑惑：

• 作者为什么不再探索下多任务带来的效果到底有多少，可以在定量分析下。要不然现在的结果到底多少是数据带来的，多少是多任务带来的，其实并不清楚，multi-task这条路到底能走多远没有给出答案；
• RoBERTa与ERNIE2相比，RoBERTa英文数据增加了10倍，ERNIE2数据应该是增加两倍，但做了很多模型loss上的增加，从GLUE效果上看，显然RoBERTa要比ERNIE2好一些，这是不是反映模型改进提升有限，当前还是多增加预训练数据效果来得更快些。