雷鋒網(wǎng)AI科技評(píng)論編者按：BERT, RoBERTa, DistilBERT, XLNet到底哪家強(qiáng)？在不同的研究領(lǐng)域和應(yīng)用場(chǎng)景如何選擇成了大難題。凡事莫慌，這篇文章幫你理清思路。
BERT以及后續(xù)模型
谷歌基于transformer的BERT系列一經(jīng)問(wèn)世就在NLP領(lǐng)域掀起了一場(chǎng)風(fēng)暴，在幾項(xiàng)任務(wù)中的表現(xiàn)可謂勢(shì)頭強(qiáng)勁，已經(jīng)超越了先前沿用的最先進(jìn)的技術(shù)。最近，谷歌對(duì)BERT進(jìn)行了改版，我將對(duì)比改版前后主要的相似點(diǎn)和不同點(diǎn)，以便你可以選擇在研究或應(yīng)用中使用哪一種。
BERT是一個(gè)雙向transformer，用于對(duì)大量未標(biāo)記的文本數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，以學(xué)習(xí)一種語(yǔ)言表示形式，這種語(yǔ)言表示形式可用于對(duì)特定機(jī)器學(xué)習(xí)任務(wù)進(jìn)行微調(diào)。雖然BERT在幾項(xiàng)任務(wù)中的表現(xiàn)都優(yōu)于NLP領(lǐng)域沿用過(guò)的最先進(jìn)的技術(shù)，但其性能的提高主要還是歸功于雙向transformer、掩蔽語(yǔ)言模型對(duì)任務(wù)的訓(xùn)練以及結(jié)構(gòu)預(yù)測(cè)功能，還包括大量的數(shù)據(jù)和谷歌的計(jì)算能力。
最近，又提出了幾種方法改進(jìn)BERT的預(yù)測(cè)指標(biāo)或計(jì)算速度，但是始終達(dá)不到兩者兼顧。XLNet和RoBERTa改善了性能，而DistilBERT提高了推理速度。下表對(duì)它們進(jìn)行了比較：
圖1：比較BERT和最近的一些改進(jìn)情況
GPU計(jì)算時(shí)間是估算的（使用4個(gè)TPU Pod進(jìn)行為時(shí)4天的原始訓(xùn)練）
使用大量的小批次數(shù)據(jù)，根據(jù)掩蔽程序的差異進(jìn)行學(xué)習(xí)速度和延長(zhǎng)時(shí)間的訓(xùn)練
數(shù)據(jù)來(lái)源是原始論文
XLNet是一種大型雙向transformer，它使用的是改進(jìn)過(guò)的訓(xùn)練方法，這種訓(xùn)練方法擁有更大的數(shù)據(jù)集和更強(qiáng)的計(jì)算能力，在20個(gè)語(yǔ)言任務(wù)中XLNet比BERT的預(yù)測(cè)指標(biāo)要更好。
為了改進(jìn)訓(xùn)練方法，XLNet引入了置換語(yǔ)言建模，其中所有標(biāo)記都是按隨機(jī)順序預(yù)測(cè)的。這與BERT的掩蔽語(yǔ)言模型形成對(duì)比，后者只預(yù)測(cè)了掩蔽（15％）標(biāo)記。這也顛覆了傳統(tǒng)的語(yǔ)言模型，在傳統(tǒng)語(yǔ)言模型中，所有的標(biāo)記都是按順序而不是按隨機(jī)順序預(yù)測(cè)的。這有助于模型學(xué)習(xí)雙向關(guān)系，從而更好地處理單詞之間的關(guān)系和銜接。此外使用Transformer XL做基礎(chǔ)架構(gòu)，即使在不統(tǒng)一排序訓(xùn)練的情況下也能表現(xiàn)出良好的性能。
XLNet使用了超過(guò)130 GB的文本數(shù)據(jù)和512 TPU芯片進(jìn)行訓(xùn)練，運(yùn)行時(shí)間為2.5天，XLNet用于訓(xùn)練的資料庫(kù)要比BERT大得多。
RoBERTa，在Facebook上推出的Robustly是BERT的優(yōu)化方案，RoBERTa在BERT的基礎(chǔ)上進(jìn)行再訓(xùn)練，改進(jìn)了訓(xùn)練方法，還增加了1000％的數(shù)據(jù)，強(qiáng)化了計(jì)算能力。
為了優(yōu)化訓(xùn)練程序，RoBERTa從BERT的預(yù)訓(xùn)練程序中刪除了結(jié)構(gòu)預(yù)測(cè)（NSP）任務(wù)，引入了動(dòng)態(tài)掩蔽，以便在訓(xùn)練期間使掩蔽的標(biāo)記發(fā)生變化。在這過(guò)程中也證實(shí)了大批次的訓(xùn)練規(guī)模在訓(xùn)練過(guò)程中的確更有用。
重要的是，RoBERTa使用160 GB的文本進(jìn)行預(yù)訓(xùn)練，其中包含了16GB的文本語(yǔ)料庫(kù)和BERT使用的英文Wikipedia。其他數(shù)據(jù)包括CommonCrawl News數(shù)據(jù)集（6300萬(wàn)篇文章，76 GB），Web文本語(yǔ)料庫(kù)（38GB）和普通爬蟲(chóng)的故事（31 GB）。再加上1024個(gè) V100的Tesla GPU每天都在運(yùn)行，這使得RoBERTa具備了進(jìn)行預(yù)訓(xùn)練的基礎(chǔ)。
因此，RoBERTa在GLUE基準(zhǔn)測(cè)試結(jié)果上優(yōu)于BERT和XLNet。
另一方面，為了減少BERT或相關(guān)模型的計(jì)算（訓(xùn)練，預(yù)測(cè)）時(shí)間，理應(yīng)選擇使用較小的網(wǎng)絡(luò)以達(dá)到相似的性能。其實(shí)有許多方法可以做到這一點(diǎn)，包括剪枝，蒸餾和量化，然而，所有這些都會(huì)導(dǎo)致預(yù)測(cè)指標(biāo)更低。
DistilBERT學(xué)習(xí)了BERT的蒸餾（近似）版本，保留了95％的性能，但只使用了一半的參數(shù)。具體來(lái)說(shuō)，它沒(méi)有標(biāo)記類(lèi)型和池化層的嵌入，只保留了谷歌BERT中一半的層。DistilBERT使用了一種叫做蒸餾的技術(shù)，它與谷歌的BERT（也就是由較小的神經(jīng)網(wǎng)絡(luò)構(gòu)成大型神經(jīng)網(wǎng)絡(luò)）相似。這個(gè)原理是，一旦要訓(xùn)練一個(gè)大型神經(jīng)網(wǎng)絡(luò)，就可以使用較小的網(wǎng)絡(luò)來(lái)預(yù)估其完整的輸出分布。這在某種意義上類(lèi)似于后驗(yàn)近似。在貝葉斯統(tǒng)計(jì)中用于后驗(yàn)近似的關(guān)鍵優(yōu)化函數(shù)之一是Kulback Leiber散度，自然在這里也被用到了。
雷鋒網(wǎng)提示：在貝葉斯統(tǒng)計(jì)中，我們接近真實(shí)的后驗(yàn)值（來(lái)自數(shù)據(jù)），而對(duì)于蒸餾，我們只能做到接近在較大網(wǎng)絡(luò)中學(xué)習(xí)到的后驗(yàn)值。
如何使用
如果你真的需要推理速度快一點(diǎn)，可以接受代價(jià)是預(yù)測(cè)精度稍微下降那么一些的話，那么DistilBERT會(huì)是一個(gè)合適的選擇，但是，如果你還在尋找最佳的預(yù)測(cè)性能，你最好使用Facebook的RoBERTa。
從理論上講，基于XLNet置換的訓(xùn)練應(yīng)該能處理好依賴關(guān)系，并且可能在長(zhǎng)期運(yùn)行中能表現(xiàn)出更好的性能。
但是，Google的BERT確實(shí)提供了良好的基線，如果你沒(méi)有上述任何關(guān)鍵需求，就可以使用BERT維持系統(tǒng)的正常運(yùn)行。
總結(jié)
大多數(shù)性能的改善（包括BERT本身）都是由于增加了數(shù)據(jù)量，計(jì)算能力或訓(xùn)練過(guò)程。雖然它們確實(shí)具有自己的價(jià)值，但它們往往傾向于在計(jì)算和預(yù)測(cè)指標(biāo)之間進(jìn)行權(quán)衡。當(dāng)前真正需要的是在使用更少的數(shù)據(jù)和計(jì)算資源的同時(shí)還可以使性能得到基本的改進(jìn)。（雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))）
原文作者：SuleimanKhan
原文鏈接：https://towardsdatascience.com/bert-roberta-distilbert-xlnet-which-one-to-use-3d5ab82ba5f8
