MiniRBT 中文小型预训练模型：结合了全词掩码（Whole Word Masking）技术和两段式知识蒸馏（Knowledge Distillation）技术，加快推理速度

在自然语言处理领域中，预训练语言模型（Pre-trained Language Models）已成为非常重要的基础技术。为了进一步促进中文信息处理的研究发展，哈工大讯飞联合实验室（HFL）基于自主研发的知识蒸馏工具TextBrewer，结合了全词掩码（Whole Word Masking）技术和知识蒸馏（Knowledge Distillation）技术推出中文小型预训练模型 MiniRBT。

中文LERT | 中英文PERT | 中文MacBERT | 中文ELECTRA | 中文XLNet | 中文BERT | 知识蒸馏工具TextBrewer | 模型裁剪工具TextPruner

1.简介

目前预训练模型存在参数量大，推理时间长，部署难度大的问题，为了减少模型参数及存储空间，加快推理速度，我们推出了实用性强、适用面广的中文小型预训练模型 MiniRBT，我们采用了如下技术：

• 全词掩码技术：全词掩码技术（Whole Word Masking）是预训练阶段的训练样本生成策略。简单来说，原有基于 WordPiece 的分词方式会把一个完整的词切分成若干个子词，在生成训练样本时，这些被分开的子词会随机被 mask（替换成[MASK]；保持原词汇；随机替换成另外一个词）。而在 WWM 中，如果一个完整的词的部分 WordPiece 子词被 mask，则同属该词的其他部分也会被 mask。更详细的说明及样例请参考：Chinese-BERT-wwm，本工作中我们使用哈工大LTP作为分词工具。

• 两段式蒸馏：相较于教师模型直接蒸馏到学生模型的传统方法，我们采用中间模型辅助教师模型到学生模型蒸馏的两段式蒸馏方法，即教师模型先蒸馏到助教模型（Teacher Assistant），学生模型通过对助教模型蒸馏得到，以此提升学生模型在下游任务的表现。并在下文中贴出了下游任务上两段式蒸馏与一段式蒸馏的实验对比，结果表明两段式蒸馏能取得相比一段式蒸馏更优的效果。

• 构建窄而深的学生模型。相较于宽而浅的网络结构，如 TinyBERT 结构（4 层，隐层维数 312），我们构建了窄而深的网络结构作为学生模型 MiniRBT（6 层，隐层维数 256 和 288），实验表明窄而深的结构下游任务表现更优异。

MiniRBT 目前有两个分支模型，分别为 MiniRBT-H256 和 MiniRBT-H288，表示隐层维数 256 和 288，均为 6 层 Transformer 结构，由两段式蒸馏得到。同时为了方便实验效果对比，我们也提供了 TinyBERT 结构的 RBT4-H312 模型下载。

我们会在近期提供完整的技术报告，敬请期待。

2.模型下载

也可以直接通过 huggingface 官网下载模型（PyTorch & TF2）：https://huggingface.co/hfl

下载方法：点击任意需要下载的模型 → 选择"Files and versions"选项卡 → 下载对应的模型文件。

3.快速加载

3.1 使用 Huggingface-Transformers

依托于🤗transformers库，可轻松调用以上模型。

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained("MODEL_NAME")model = BertModel.from_pretrained("MODEL_NAME")

注意：本目录中的所有模型均使用 BertTokenizer 以及 BertModel 加载，请勿使用 RobertaTokenizer/RobertaModel！

对应的MODEL_NAME 如下所示：

3.2 模型对比

模型结构细节与参数量汇总如下。

括号内参数量百分比以原始 base 模型（即 RoBERTa-wwm-ext）为基准

• RBT 的名字是 RoBERTa 三个音节首字母组成

• RBT3：由 RoBERTa-wwm-ext 3 层进行初始化继续预训练得到，更详细的说明请参考：Chinese-BERT-wwm 小参数量模型
  

• RBT6 (KD)：助教模型，由 RoBERTa-wwm-ext 6 层进行初始化，通过对 RoBERTa-wwm-ext 蒸馏得到

• MiniRBT-*：通过对助教模型 RBT6(KD)蒸馏得到

• RBT4-H312: 通过对 RoBERTa 直接蒸馏得到

3.3 蒸馏设置

3.4 中文基线系统效果

为了对比基线效果，我们在以下几个中文数据集上进行了测试。

• CMRC 2018：篇章片段抽取型阅读理解（简体中文）
  

• DRCD：篇章片段抽取型阅读理解（繁体中文）
  

• OCNLI：原生中文自然语言推断
  

• LCQMC：句对匹配
  

• BQ Corpus：句对匹配
  

• TNEWS：文本分类
  

• ChnSentiCorp: 情感分析
  

经过学习率搜索，我们验证了小参数量模型需要更高的学习率和更多的迭代次数，以下是各数据集的学习率。

最佳学习率:

*代表所有小型预训练模型 (RBT3, RBT4-H312, MiniRBT-H256, MiniRBT-H288)

实验结果（开发集）：

相对效果：

• 两段式蒸馏对比

我们对两段式蒸馏(RoBERTa→RBT6(KD)→MiniRBT-H256)与一段式蒸馏(RoBERTa→MiniRBT-H256)做了比较。实验结果证明两段式蒸馏效果较优。

:该表中预训练模型经过 3 万步蒸馏，不同于中文基线效果中呈现的模型。

4.预训练

我们使用了TextBrewer工具包实现知识蒸馏预训练过程。完整的训练代码位于pretraining目录下。

• 代码结构

• dataset:

• train: 训练集

• dev： 验证集

• distill_configs: 学生模型结构配置文件

• jsons: 数据集配置文件

• pretrained_model_path:

• ltp: ltp 分词模型权重,包含pytorch_model.bin，vocab.txt，config.json，共计 3 个文件

• RoBERTa: 教师模型权重，包含pytorch_model.bin，vocab.txt，config.json，共计 3 个文件

• scripts: 模型初始化权重生成脚本

• saves: 输出文件夹

• config.py: 训练参数配置

• matches.py: 教师模型和学生模型的匹配配置

• my_datasets.py: 训练数据处理文件

• run_chinese_ref.py: 生成含有分词信息的参考文件

• train.py：预训练主函数

• utils.py: 预训练蒸馏相关函数定义

• distill.sh: 预训练蒸馏脚本

4.1 环境准备

预训练代码所需依赖库仅在 python3.8，PyTorch v1.8.1 下测试过，一些特定依赖库可通过pip install -r requirements.txt命令安装。

• 预训练模型准备

可从huggingface官网下载ltp分词模型权重与RoBERTa-wwm-ext预训练模型权重，并存放至${project-dir}/pretrained_model_path/目录下相应文件夹。

4.2 数据准备

对于中文模型，我们需先生成含有分词信息的参考文件，可直接运行以下命令：

python run_chinese_ref.py

因为预训练数据集较大，推荐生成参考文件后进行预处理，仅需运行以下命令：

python my_datasets.py

4.3 运行训练脚本

一旦你对数据做了预处理，进行预训练蒸馏就非常简单。我们在distill.sh中提供了预训练示例脚本。该脚本支持单机多卡训练，主要包含如下参数:

• teacher_name or_path：教师模型权重文件

• student_config: 学生模型结构配置文件

• num_train_steps: 训练步数

• ckpt_steps：每 ckpt_steps 保存一次模型

• learning_rate: 预训练最大学习率

• train_batch_size: 预训练批次大小

• data_files_json: 数据集 json 文件

• data_cache_dir：训练数据缓存文件夹

• output_dir: 输出文件夹

• output encoded layers：设置隐层输出为 True

• gradient_accumulation_steps：梯度累积

• temperature：蒸馏温度

• fp16：开启半精度浮点数训练

直接运行以下命令可实现 MiniRBT-H256 的预训练蒸馏：

sh distill.sh

提示：以良好的模型权重初始化有助于蒸馏预训练。在我们的实验中使用教师模型的前 6 层初始化助教模型 RBT6(KD) ! 请参考scripts/init_checkpoint_TA.py来创建有效的初始化权重，并使用--student_pretrained_weights参数将此初始化用于蒸馏训练!

4.4 使用建议

• 初始学习率是非常重要的一个参数，需要根据目标任务进行调整。

• 小参数量模型的最佳学习率和RoBERT-wwm相差较大，所以使用小参数量模型时请务必调整学习率（基于以上实验结果，小参数量模型需要的初始学习率高，迭代次数更多）。

• 在参数量（不包括嵌入层）基本相同的情况下，MiniRBT-H256 的效果优于 RBT4-H312，亦证明窄而深的模型结构优于宽而浅的模型结构

• 在阅读理解相关任务上，MiniRBT-H288 的效果较好。其他任务 MiniRBT-H288 和 MiniRBT-H256 效果持平，可根据实际需求选择相应模型。

5.FAQ

Q: 这个模型怎么用？

A: 参考快速加载。使用方式和 HFL 推出的中文预训练模型系列如 RoBERTa-wwm 相同。

Q:为什么要单独生成含有分词信息的参考文件？

A: 假设我们有一个中文句子:天气很好，BERT 将它标记为['天'，'气'，'很'，'好'](字符级别)。但在中文中天气是一个完整的单词。为了实现全词掩码，我们需要一个参考文件来告诉模型应该在哪个位置添加##，因此会生成类似于['天'，'##气'，'很'，'好']的结果。

注意：此为辅助参考文件，并不影响模型的原始输入（即与分词结果无关）。

Q: 为什么 RBT6 (KD)在下游任务中的效果相较 RoBERTa 下降这么多? 为什么 miniRBT-H256/miniRBT-H288/RBT4-H312 效果这么低？如何提升效果？

A: 上文中所述 RBT6 (KD)直接由 RoBERTa-wwm-ext 在预训练任务上蒸馏得到，然后在下游任务中 fine-tuning，并不是通过对下游任务蒸馏得到。其他模型类似，我们仅做了预训练任务的蒸馏。如果希望进一步提升在下游任务上的效果，可在 fine-tuning 阶段再次使用知识蒸馏。

Q: 某某数据集在哪里下载？

A: 部分数据集提供了下载地址。未标注下载地址的数据集请自行搜索或与原作者联系获取数据。

• 参考文献

• [1] Pre-training with Whole Word Masking for Chinese BERT (Cui et al., IEEE/ACM TASLP 2021)

• [2] TextBrewer: An Open-Source Knowledge Distillation Toolkit for Natural Language Processing (Yang et al., ACL 2020)

• [3] CLUE: A Chinese Language Understanding Evaluation Benchmark (Xu et al., COLING 2020)

• [4] TinyBERT: Distilling BERT for Natural Language Understanding (Jiao et al., Findings of EMNLP 2020)

更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。