在本文中，本土獨角獸依圖科技提出了一個小而美的方案——ConvBERT，通過全新的注意力模塊，僅用 1/10 的訓(xùn)練時間和 1/6 的參數(shù)就獲得了跟 BERT 模型一樣的精度。相比費錢的 GPT-3，這項成果可讓更多學(xué)者用更少時間去探索語言模型的訓(xùn)練，也降低了模型在預(yù)測時的計算成本。本文已被 NeurIPS 2020 接收。

　　今年 5 月，Open AI 發(fā)布了非常擅長「炮制出類似人類的文本」的 GPT-3，擁有破天荒的 1750 億參數(shù)，一時被業(yè)界視為最強大的人工智能語言模型。

　　可是，訓(xùn)練成本極高，難以普及，也成了 GPT-3 成功背后的不足。相對于通用的計算機視覺模型，語言模型復(fù)雜得多、訓(xùn)練成本也更高，像 GPT-3 這種規(guī)模的模型只能是工業(yè)界才玩得起。

　　深度學(xué)習(xí)「教父」LeCun 也說：「試圖通過擴大語言模型的規(guī)模來建造智能應(yīng)用，就像建造一架飛往月球的飛機。你可能會打破高度記錄，但是登上月球其實需要一種完全不同的方法?！?/p>

　　本土獨角獸依圖科技最近在人工智能界頂會 NeurIPS 上提出了一個小而美的方案——ConvBERT，通過全新的注意力模塊，僅用 1/10 的訓(xùn)練時間和 1/6 的參數(shù)就獲得了跟 BERT 模型一樣的精度。相比費錢的 GPT-3，這項成果可讓更多學(xué)者用更少時間去探索語言模型的訓(xùn)練，也降低了模型在預(yù)測時的計算成本。

　　今年的 NeurIPS 創(chuàng)紀(jì)錄接收并審閱了來自全球的 9454 篇論文，但最終僅 1900 篇論文被收錄，錄用率為 20.09%，創(chuàng)歷年來接受率最低紀(jì)錄。問題不夠令人興奮者，不可收也。被收錄的論文更顯珍貴。

　　依圖的這篇論文提出了基于區(qū)間的新型動態(tài)卷積，在自然語言理解中證明有效，在計算機視覺領(lǐng)域也可使用。這是依圖繼 ECCV 2020 之后，連續(xù)開放的第二項主干網(wǎng)絡(luò)基礎(chǔ)性改進工作。

　　預(yù)訓(xùn)練語言理解新模型 ConvBERT，超越谷歌 BERT

　　最近 BERT 這一類基于預(yù)訓(xùn)練的語言理解模型十分流行，也有很多工作從改進預(yù)訓(xùn)練任務(wù)或者利用知識蒸餾的方法優(yōu)化模型的訓(xùn)練，但是少有改進模型結(jié)構(gòu)的工作。依圖研發(fā)團隊從模型結(jié)構(gòu)本身的冗余出發(fā)，提出了一種基于跨度的動態(tài)卷積操作，并基于此提出了 ConvBERT 模型。

　　這一模型在節(jié)省了訓(xùn)練時間和參數(shù)的情況下，在衡量模型語言理解能力的 GLUE benchmark 上相較于之前的 State-of-the-art 方法，如 BERT 和 ELECTRA，都取得了顯著的性能提升。其中 ConvBERT-base 模型利用比 ELECTRA-base 1/4 的訓(xùn)練時間達到了 0.7 個點的平均 GLUE score 的提升。

　　之前 BERT 這類模型主要通過引入自注意力機制來達到高性能，但是依圖團隊觀察到 BERT 模型中的 attention map 有著如下圖的分布（注：attention map 可以理解成詞與詞之間的關(guān)系），這表明了大多注意力主要集中在對角線，即主要學(xué)習(xí)到的是局部的注意力。這就意味著其中存在著冗余，也就是說很多 attention map 中遠距離關(guān)系值是沒有必要計算的。

　　于是依圖團隊考慮用局部操作，如卷積來代替一部分自注意力機制，從而在減少冗余的同時達到減少計算量和參數(shù)量的效果。

　　另一方面，考慮到傳統(tǒng)的卷積采用固定的卷積核，不利于處理語言這種關(guān)系復(fù)雜的數(shù)據(jù)，所以依圖提出了一種新的基于跨度的卷積，如下圖所示。原始的自注意力機制是通過計算每一對詞與詞之間的關(guān)系得到一個全局的 attention map。

　　此前有文章提出過動態(tài)卷積，但其卷積的卷積核并不固定，由當(dāng)前位置的詞語所代表的特征通過一個小網(wǎng)絡(luò)生成卷積核。這樣的問題就是在不同語境下，同樣的詞只能產(chǎn)生同樣的卷積核。但是同樣的詞在不同語境中可以有截然不同的意思，所以這會大大限制網(wǎng)絡(luò)的表達能力。

　　基于這一觀察，依圖提出了基于跨度的動態(tài)卷積，通過接收當(dāng)前詞和前后的一些詞作為輸入，來產(chǎn)生卷積核進行動態(tài)卷積，這在減少了自注意力機制冗余的同時，也很好地考慮到了語境和對應(yīng)卷積核的多樣性。

　　基于跨度的動態(tài)卷積，同時減少原模型冗余和參數(shù)量

　　具體而言，引入了一個輕量卷積的運算操作，

　　其中為輸入的特征，而則是卷積核，k 為卷積核的大小。輕量卷積的作用是將輸入的每個詞對應(yīng)的特征附近的 k 個特征加權(quán)平均生成輸出。在此基礎(chǔ)上，之前提到的動態(tài)卷積可以寫作

　　此處卷積核是由對應(yīng)的詞的特征經(jīng)過線性變換和 softmax 之后產(chǎn)生的。為了提升卷積核對于同一詞在不同語境下的多樣性，依圖提出了如下的動態(tài)卷積

　　此處，輸入 X 先經(jīng)過線性變換生成和，同時經(jīng)過卷積生成基于跨度的，由經(jīng)過線性變換以及 softmax 來產(chǎn)生卷積核與進一步做輕量卷積，從而得到最終的輸出。

　　在基于跨度的卷積的基礎(chǔ)上，依圖將其與原始的自注意力機制做了一個結(jié)合，得到了如圖所示的混合注意力模塊。

　　可以看到，被標(biāo)紅的部分是基于跨度的卷積模塊，而另一部分則是原始的自注意力模塊。其中原始的自注意力機制主要負(fù)責(zé)刻畫全局的詞與詞之間的關(guān)系，而局部的聯(lián)系則由替換進來的基于跨度的卷積模塊刻畫。

　　從下圖 BERT 和 ConvBERT 中的自注意力模塊的 attention map 可視化圖對比也可以看出，不同于原始的集中在對角線上的 attention map，ConvBERT 的 attention map 不再過多關(guān)注局部的關(guān)系，而這也正是卷積模塊減少冗余的作用體現(xiàn)。

　　對比 state-of-the-art 模型，ConvBERT 所需算力更少、精度更高

　　為分析不同卷積的效果，依圖使用不同的卷積得到了如下表所示的結(jié)果

　　可以看出在模型大小一致的情況下，傳統(tǒng)卷積的效果明顯弱于動態(tài)卷積。并且，本文提出的基于跨度的動態(tài)卷積也比普通的動態(tài)卷積擁有更好的性能。

　　同時，依圖也對不同的卷積核大小做了分析。實驗發(fā)現(xiàn)，在卷積核較小的情況下，增大卷積核大小可以有效地提高模型性能。但是當(dāng)卷積核足夠大之后提升效果就不明顯了，甚至可能會導(dǎo)致訓(xùn)練困難從而降低模型的性能。

　　最后，依圖將提出的 ConvBERT 模型在不同的大小設(shè)定下與 state-of-the-art 模型進行了對比。值得注意的是，對小模型而言，ConvBERT-medium-small 達到了 81.1 的 GLUE score 平均值，比其余的小模型以及基于知識蒸餾的壓縮模型性能都要更好，甚至超過了大了很多的 BERT-base 模型。而在大模型的設(shè)定下，ConvBERT-base 也達到了 86.4 的 GLUE score 平均值，相比于計算量是其 4 倍的 ELECTRA-base 還要高出 0.7 個點。

　　更多實驗以及算法細節(jié)可參考原文：

　　原文鏈接：https://arxiv.org/pdf/2008.02496.pdf

　　代碼地址：https://github.com/yitu-opensource/ConvBert