tinybert

TinyBERT: Distilling BERT for Natural Language Understanding

以下是本例的简要目录结构及说明：

.
├── task_distill.py       # 在特定任务上下的蒸馏脚本
├── data_augmentation.py  # 离线数据增强脚本
└── README.md             # 文档，本文件

简介

本目录下的实验主要参考论文《TinyBERT: Distilling BERT for Natural Language Understanding》实现。 TinyBERT中蒸馏的整体过程：首先进行通用蒸馏，然后用数据增强后的数据，在特定任务上进行蒸馏，本文主要进行了第二阶段的蒸馏，模型是利用第一阶段得到的通用小模型tinybert-6l-768d-v2进行初始化。

TinyBERT蒸馏流程图

在模型蒸馏中，较大的模型（在本例中是BERT base）通常被称为教师模型，较小的模型（在本例中是层数为6的BERT，下文都称TinyBERT6）通常被称为学生模型。 知识的蒸馏通常是通过让学生模型学习相关的蒸馏相损失函数实现，在本实验中，蒸馏的学习目标由两个部分组成，分别是中间层的蒸馏损失和预测层的蒸馏损失。其中，中间层的蒸馏包括对Embedding层的蒸馏、对每个Transformer layer输出的蒸馏、以及对每个Transformer中attention矩阵（softmax之前的结果）的蒸馏，三者均采用的是均方误差损失函数。而预测层蒸馏的学习目标则是学生模型输出的logits和教师模型输出的logits的交叉熵损失。

由于教师模型是12层，学生模型的层数少于教师模型的层数，因此需要选择一种layer mapping的方式。论文中采用了一种固定的映射方式，当学生模型的层数为教师模型的1/2时，学生第i层的attention矩阵，需要学习教师的第2i+1层的attention矩阵，Transformer layer输出同理。

实验分为两个大的训练过程：先对BERT-base进行微调，得到教师模型，再进行蒸馏的训练。其中，蒸馏过程也分为两个步骤：先对中间层进行蒸馏多个epochs（论文中针对具体任务可能是10、20或者30个），再对预测层蒸馏3个epochs。

需要注意的是，在使用不同教师模型时，tinybert-6l-768d-v2、tinybert-4l-312d-v2这两个v2版本的预训练模型中开放的从学生embedding输出、transformer中间层输出到教师相应输出的转换矩阵是每层独立的，而其他的tinybert-6l-768d、tinybert-4l-312d、tinybert-6l-768d-zh、tinybert-4l-312-zh则是多层之间的参数共用一个转换矩阵的。

数据、预训练模型介绍及获取

本实验使用GLUE中数据集中的训练集作为训练语料，用数据集中的验证集评估模型的效果。

运行本目录下的实验，数据集会被自动下载到paddlenlp.utils.env.DATA_HOME 路径下，例如在linux系统下，对于GLUE中的QQP数据集，默认存储路径是~/.paddlenlp/datasets/Glue/QQP。

对于BERT的fine-tuning任务，本实验中使用了预训练模型bert-base-uncased。同样，这几个模型在训练时会被自动下载到paddlenlp.utils.env.MODEL_HOME路径下。例如，对于bert-base-uncased模型，在linux系统下，会被下载到~/.paddlenlp/models/bert-base-uncased下。

蒸馏实验过程

对BERT Fine-tuning得到教师模型

以GLUE的SST-2任务为例，调用BERT fine-tune的训练脚本，配置如下的参数，训练SST-2任务：

cd ../../benchmark/glue/
export CUDA_VISIBLE_DEVICES=0
export TASK_NAME=SST-2

python -u ./run_glue.py \
    --model_type bert \
    --model_name_or_path bert-base-uncased \
    --task_name $TASK_NAME \
    --max_seq_length 128 \
    --batch_size 32   \
    --learning_rate 2e-5 \
    --num_train_epochs 3 \
    --logging_steps 1 \
    --save_steps 500 \
    --output_dir ./tmp/$TASK_NAME/ \
    --device gpu \

训练完成之后，可将训练效果最好的模型保存在本项目下的pretrained_models/$TASK_NAME/下。模型目录下有model_config.json, model_state.pdparams, tokenizer_config.json及vocab.txt这几个文件。

对TinyBERT在特定任务下蒸馏

先蒸馏中间层：

export CUDA_VISIBLE_DEVICES=0
export TASK_NAME=SST-2
export TEACHER_DIR=../pretrained_models/SST-2/best_model_610

python task_distill.py \
    --model_type tinybert \
    --student_model_name_or_path tinybert-6l-768d-v2 \
    --task_name $TASK_NAME \
    --intermediate_distill \
    --max_seq_length 64 \
    --batch_size 32   \
    --T 1 \
    --teacher_model_type bert \
    --teacher_path $TEACHER_DIR \
    --learning_rate 5e-5 \
    --num_train_epochs 20 \
    --logging_steps 10 \
    --save_steps 10 \
    --output_dir ./tmp/$TASK_NAME/ \
    --device gpu

其中参数释义如下：

• model_type 学生模型类型，默认且目前仅支持tinybert。
• student_model_name_or_path 中间层蒸馏后，学生模型存放的目录
• max_seq_length 表示最大句子长度，超过该长度将被截断。默认：128
• T softmax的温度，用于对softmax做平滑，在训练中起到放大负标签效果的作用。默认：1
• teacher_model_type 教师模型的类型，默认且目前仅支持bert
• teacher_path 教师Fine-tuned模型的目录
• output_dir 学生模型存放的目录
• device 表示运行该程序的设备，默认是gpu

然后对预测层进行蒸馏：

export TEACHER_DIR=../pretrained_models/SST-2/best_model_610

python task_distill.py \
    --model_type tinybert \
    --student_model_name_or_path tmp/TASK_NAME best_inter_model \
    --task_name $TASK_NAME \
    --max_seq_length 64 \
    --batch_size 32   \
    --T 1 \
    --teacher_model_type bert \
    --teacher_path $TEACHER_DIR  \
    --learning_rate 3e-5 \
    --num_train_epochs 3 \
    --logging_steps 10 \
    --save_steps 10 \
    --output_dir ./tmp/$TASK_NAME/ \
    --device gpu

其中参数释义如下：

• student_model_name_or_path 中间层蒸馏后，学生模型存放的目录 其他参数说明同上。

实验中使用的超参数

	SST-2	QQP	MRPC	CoLA	RTE	MNLI	QNLI
batch_size	32	32	32	32	32	32	32
max_seq_length	64	128	128	64	128	128	128
max_epochs_of_intermediate_layer	20	10	20	50	20	10	10
max_epochs_of_prediction_layer	3	3	3	3	3	3	3
learning_rate(inter/pred)	5e-5/3e-5	5e-5/3e-5	5e-5/3e-5	5e-5/3e-5	5e-5/3e-5	5e-5/3e-5	5e-5/3e-5

蒸馏实验结果

本文档的实验基于TinyBERT的6层、hidden_size为768的通用蒸馏得到的模型，用未使用数据增强的原始数据集训练，并基于验证集进行评价。得到以下实验结果：

	SST-2	QQP(acc/f1)	MRPC(acc/f1)	CoLA	RTE	MNLI-m	MNLI-mm	QNLI
BERT-base	93.00	90.58/87.35	88.23/91.67	59.56	73.65	84.42	84.83	91.78
TinyBERT(6l-768d)	93.00	91.13/88.20	88.48/91.91	52.64	72.94	84.57	84.63	91.36

数据增强扩充训练集（推荐）

TinyBERT使用的数据增强需要用到BERT预训练模型和Glove Embeddings做词替换。

即对于样本中的词，有一定的概率会被近义词替换。对于single-piece的词，会利用BERT的预训练模型，把选中的词替换成mask token，然后返回模型预测的top k个概率最大的词，最后随机选择其中一个词做替换；对于非single-piece的词，则使用Glove Embedding，找到top k个最近似的词，随机选择一个做替换。

先下载glove embeddings

wget http://nlp.stanford.edu/data/glove.6B.zip

然后运行下面的命令对GLUE数据集进行扩展

export TASK_NAME=SST-2
export GLOVE_EMB="glove/glove.6B.300d.txt"
python data_augmentation.py --pretrained_bert_model bert-base-uncased \
                            --glove_embs $GLOVE_EMB \
                            --glue_dir /root/.paddlenlp/datasets/Glue/  \
                            --task_name $TASK_NAME

运行结束后，在glue_dir/$TASK_NAME目录下，会生成train_aug.tsv的数据增强后的训练集文件。 利用task_distill.py时，带上--use_aug这个参数，程序会读取train_aug.tsv作训练集进行训练。

经过实验，利用数据增强后的数据集，在RTE数据集上，Acc由0.7148提升至0.7184。

参考文献

Jiao X, Yin Y, Shang L, et al. TinyBERT: Distilling BERT for Natural Language Understanding[J]. arXiv preprint arXiv:1909.10351v5, 2020.