【NLP】ALBERT：更轻更快的NLP预训练模型 / 开普饭

目前在NLP领域，出彩的预训练模型的新工作，几乎都是基于BERT的改进，前面我们就介绍了XLNET。今天我来介绍一个更新的工作，相比于BERT，它更轻量，效果也要好。

作者&编辑 | 小Dream哥

1 预训练模型进展

2018年底，BERT横空出世之后，预训练模型开始走进NLP舞台的中央，吸引了业内所有人的关注。之后，各种预训练模型开始不断的刷新NLP领域的SOTA榜单，比较有影响力的包括，GPT-2.0，XLNET，RoBERTa等。

大体来说，上述预训练模型确实都基于BERT了做了一些改进，在模型结构、训练模式等方面都有一些创新。但是大部分的预训练模型也有一个共通的“特点”，即模型相对“笨重”，预训练成本高。

ALBERT的作者就是基于这样的背景，提出ALBERT这个模型的。其试图解决大部分预训练模型训练成本高，参数量巨大的问题。

2 ALBERT的改进点

ALBERT为了减少模型参数主要有以下几点：

1.词嵌入参数因式分解；

2.隐藏层间参数共享

此外，为了提升模型性能，ALBERT提出了一种新的训练任务：

句子间顺序预测

下面我们详细介绍以下这几个改进点：

1）词嵌入参数因式分解

ALBERT的提出者认为，词向量只是记忆了相对少量的词语的信息，更多的语义和句法等信息时由隐藏层记忆的。因此，他们认为，词嵌入的维度可以不必与隐藏层的维度一致，可以通过降低词嵌入的维度的方式来减少参数量。假设词表的大小为V，词嵌入的维度为E，隐藏层的维度为H。

BERT的情况是，E=H；ALBERT的方案是，将E降低，在词嵌入和隐藏层之间加入一个project层，连接两个层。我们来分析一下，两种情况嵌入层的参数量。

1.BERT：ParameterNumBERT = E*V = H*V

通常情况下V很大，BERT中文模型V约为30000，BERT_base中H = 1024：

ParameterNumBERT=30000*1024

2.ALBERT：ParameterNumAL = (V +H)*E

ALBERT中，E=128；H=1024：

ParameterNumAL=30000*128+128*1024

ParameterNumAL/ParameterNumAL =7.7

从上面的分析可以看出，通过嵌入层的参数因式分解，成功将嵌入层的参数缩小为原来的1/8。

2）隐藏层的参数共享

如上图所示，是BERT的结构示意图，BERT_base中，包含12层中间的隐藏层；BERT_large中，包含24层中间的隐藏层；各层之间的参数均不共享。

参数共享可以显著减少参数数量，参数共享可以分为全连接层、注意力层的参数共享；在ALBERT中，全连接层、注意力层的参数均是共享的，也就是ALBERT依然有多层的深度连接，但是各层之间的参数是一样的。很明显的，通过这种方式，ALBERT中隐藏层的参数量变为原来的1/12或者1/24。

3）句子间顺序预测

在BERT中，句子间关系的任务是next sentence predict(NSP)，即向模型输入两个句子，预测第二个句子是不是第一个句子的下一句。

在ALBERT中，句子间关系的任务是sentence-order prediction(SOP)，即句子间顺序预测，也就是给模型两个句子，让模型去预测两个句子的前后顺序。文中介绍，SOP是比NSP要更为复杂的任务，相比于NSP，通过SOP任务模型能够学到更多的句子间的语义关系。

3 ALBERT的效果

如上图所示，展示了ALBERT与BERT不同大小模型的参数量及其在各个数据集的效果。

从上面的结果，可以得到一个基本的结论，相比于BERT，ALBERT能够在不损失模型性能的情况下，显著的减少参数量。ALBERT_xxlarge模型有233M的参数量，其在各个数据集上的表现却能够全面优于有1270M参数的BERT_xlarge模型。

此外，作者还分别分析了嵌入层参数因式分解、隐藏层参数共享以及SOP任务对ALBERT模型性能的影响。作者的结论是，嵌入层参数因式分解、隐藏层参数共享基本不会对模型的性能造成损失，SOP任务能够提升模型的性能。

值得注意的一点是，作者还发现ALBERT在训练了100w步之后，模型依旧没有过拟合，于是作者尝试去掉dropout，却意外的发现下游任务的效果竟然有了一定的提升。这是NLP领域第一次发现dropout对大规模的预训练模型会造成负面影响。

此外，ALBERT还有一个albert_tiny模型，其隐藏层仅有4层，模型参数量约为1.8M，非常的轻便。相对于BERT，其训练和推理预测速度提升约10倍，但精度基本保留，语义相似度数据集LCQMC测试集上达到85.4%，相比bert_base仅下降1.5个点。

对于一些相对比较简单一些或实时性要求高的任务，如语义相似度计算、分类任务等，ALBERT很适合。

总结

总的来说，ALBERT利用词嵌入参数因式分解和隐藏层间参数共享两种手段，在显著减少了模型的参数量的同时，基本没有损失模型的性能；

隐藏层间参数共享能够极大的减少模型参数，对模型训练速度的提升也有一定的帮助。但是对推理预测速度却不会有任何帮助，因为前向传播时的计算量一点也没有减少。基于此，ALBERT的研究者们，提供了albert_tiny模型，提高了模型的推理速度，代价却很低（准确率降低很少）。

通过引进SOP的训练任务，模型的准确度也有一定的提升。

我们会在知识星球讨论ALBERT实现相关的代码及问题，感兴趣的同学可以扫描下面的二维码了解。

【NLP】ALBERT：更轻更快的NLP预训练模型