具体顺序不是按照模型出现的顺序，而是按照我在组会上讲的顺序。会在每个模型的一开头列出参考的博客以及论文。

RoBERTa

论文：RoBERTa: A Robustly Optimized BERT Pretraining Approach

参考博客

https://wmathor.com/index.php/archives/1504/

概述

RoBERTa相较于BERT最大的三点改进：

• 动态Masking
• 取消NSP任务
• 扩大Batch size

Dynamic Masking

静态masking：在数据预处理期间 Mask 矩阵就已生成好，每个样本只会进行一次随机 Mask，每个 Epoch 都是相同的

修改版静态masking：在预处理的时候将数据拷贝 10 份，每一份拷贝都采用不同的 Mask，也就说，同样的一句话有 10 种不同的 mask 方式，然后每份数据都训练 N/10 个 Epoch。

动态masking：每次向模型输入一个序列时，都会生成一种新的 Maks 方式。即不在预处理的时候进行 Mask，而是在向模型提供输入时动态生成 Mask。

取消NSP任务

RoBERTa 实验了 4 种方法：

• SEGMENT-PAIR + NSP：输入包含两部分，每个部分是来自同一文档或者不同文档的 segment （segment 是连续的多个句子），这两个 segment 的 token 总数少于 512 。预训练包含 MLM 任务和 NSP 任务。这是原始 BERT 的做法
• SENTENCE-PAIR + NSP：输入也是包含两部分，每个部分是来自同一个文档或者不同文档的单个句子，这两个句子的 token 总数少于 512 。由于这些输入明显少于 512 个 tokens，因此增加 batch size 的大小，以使 tokens 总数保持与 SEGMENT-PAIR + NSP 相似。预训练包含 MLM 任务和 NSP 任务
• FULL-SENTENCES：输入只有一部分（而不是两部分），来自同一个文档或者不同文档的连续多个句子，token 总数不超过 512 。输入可能跨越文档边界，如果跨文档，则在上一个文档末尾添加标志文档边界的 token 。预训练不包含 NSP 任务
• DOC-SENTENCES：输入只有一部分（而不是两部分），输入的构造类似于 FULL-SENTENCES，只是不需要跨越文档边界，其输入来自同一个文档的连续句子，token 总数不超过 512 。在文档末尾附近采样的输入可以短于 512 个 tokens， 因此在这些情况下动态增加 batch size 大小以达到与 FULL-SENTENCES 相同的 tokens 总数。预训练不包含 NSP 任务

扩大batch size

采用大的 Batch Size 有助于提高性能

 

ALBERT

论文：ALBERT： A Lite BERT for Self-supervised Learning of Language Representations（ICLR，2020）

参考博客

https://wmathor.com/index.php/archives/1480/

概述

基于Bert做出的提高：

• 减少模型参数，加快训练速度
• 增加对语言连贯性的训练

主要的改进：

• Embedding层矩阵分解
• 跨层参数共享
• 将NSP任务换成了SOP（Sentence Order Prediction）任务

Embedding层矩阵分解

 

 

BERT：E=H，矩阵V*H（30000*768=23，000，000）

ALBERT：V*E+E*H（30000*256+256*768=7，800，000）

跨层参数共享

 

 

之前有工作试过单独将 self-attention 或者全连接层进行共享，都取得了一些效果。ALBERT 作者尝试将所有层的参数进行共享，相当于只学习第一层的参数，并在剩下的所有层中重用该层的参数，而不是每个层都学习不同的参数

效果：提升模型稳定性（模型稳定性是通过L2范数来衡量的，详见论文）

SOP任务

NSP：A与B是否是一个句子（主体预测+连贯性预测）

SOP：着力于连贯性预测

关键思想：

• 从同一个文档中取两个连续的句子作为一个正样本
• 交换这两个句子的顺序，并使用它作为一个负样本

 

 

其他措施：增加输入&去除dropout

以上 ALBERT 都是使用跟 BERT 相同的训练数据。但是增加训练数据或许可以提升模型的表现，于是 ALBERT 加上 STORIES Dataset 后总共训练了 157G 的数据。另外，训练到 1M 步的时候，模型还没有对训练集 Overfit，所以作者直接把 Dropout 移除，最终在 MLM 验证集上的效果得到了大幅提升

 

ELECTRA

论文：ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generator

ELECTRA的缩写来源：

ELECTRA：Efficiently Learning an Encoder that Classifies Token Replacements Accurately

 

 

与BERT相比所做的改变：

• 替换MLM为RSD任务
• 权重共享
• smaller Generator

ELECTRA的特点：小模型表现优良，节省计算量

RSD（Replaced Token detection）

模型由两个部分组成，generator、discriminator。

generator负责随机MASK一部分输入，然后将输入中的MASK填上。

discriminator负责检测哪些是generator替换的，哪些是原本的。

动机：MLM只替换15%的token

类似于GAN的结构，但是不同。

• 如果generator产生的token和original token一样，discriminator认为这个token是real的
• generator按照最大似然训练，和discriminator没有交互，discriminator的梯度不会反向传播到generator
• generator的输入是真实文本，而不是随机噪声
• Fine-tune阶段只使用discriminator的部分

权重共享（weight sharing）

generator的embedding和discriminator共享

smaller generator

generator的size只是discriminator的1/4到1/2

如果 BERT 效果太好，直接就输出了和原来一摸一样的单词，这也不是我们期望的。

WWM（whole word masking）

 

 随机地 mask 掉某个 token 效果是否真的好呢？对于中文来说，词是由多个字组成的，一个字就是一个 token。如果我们随机 mask 掉某个 token，模型可能不需要学到很多语义依赖，就可以很容易地通过前面的字或后面的字来预测这个 token。为此我们需要把难度提升一点，盖住的不是某个 token，而是某个词（span），模型需要学到更多语义去把遮住的 span 预测出来，这便是 BERT-wwm。同理，我们可以把词的 span 再延长一些，拓展成短语级别、实体级别（ERNIE）

MacBert

论文：Revisiting Pre-trained Models for Chinese Natural Language Processing

相较于BERT做出的改进：

• WWM & N-gram Masking，从单字符到4字符的掩蔽百分比为40%、30%、20%、10%
• 去除[MASK]，采取同义词替换，使用Synonyms库，Masking的比例为15%，80%同义词替换，10%随机替换，10%保持
• SOP任务，同Albert一样。