论文阅读_BERT知识蒸馏
英文题目：Distilling Task-Specific Knowledge from BERT into Simple Neural Networks
中文题目：从 BERT 中蒸馏指定任务知识到简单网络
论文地址：https://arxiv.org/pdf/1903.12136.pdf
领域：自然语言，深度学习
发表时间：2019
作者：Raphael Tang, 滑铁卢大学
被引量：226
代码和数据：https://github.com/qiangsiwei/bert_distill
阅读时间：2022.09.11
读后感
第一次对大型自然语言模型的蒸馏：将 BERT 模型蒸馏成 BiLSTM 模型。
介绍
在自然语言处理方面，随着 BERT,GPT 等大规模预训练模型的发展，浅层的深度学习模型似乎已经过时了。但由于资源的限制，又需要使用小而快的模型。
文章的动机是讨论：浅层模型是否真的不具备对文本的表示能力？并展示了针对于具体的任务，将 BERT 蒸馏成单层 BiLSTM 模型的方法和效果。也通过大模型（起初训练的复杂的模型，后称 Teacher/T）和小模型（蒸馏后的模型，后称 Student/S）完全不同的模型结构展示了蒸馏与模型结构无关。另外，之前蒸馏模型主要应用于图片建模，论文讨论了它在自然语言领域的使用方法。
方法
核心方法包含两部分：增加了 logit 回归目标；重建蒸馏训练数据集使训练更为有效。
模型结构
将 BERT 作为教师模型，使用单层的 BiLSTM 作为学习模型的非线性分类器，针对每一种下游任务使用不同模型。如图 -1 是对单句分类任务设计的学生模型。
图 -2 展示了用于预测句子匹配度的模型，它们的编码层共享同一 BiLSTM 模型。
为了更好地对比效果，在学生模型中，未使用注意力归一化等更多技巧。
蒸馏目标
学生模型的目标是在所有数据上，模拟老师模型的行为。除了最终的标签，老师模型预测出的概率也很重要。比如在情绪分类问题中，一些实例有很强的正面情绪，有一些情绪可能比较中性，所以除了是否，也需要预测程度。
一般预测标签的方法是：
文中使用了 logit 的优化方法，构造了蒸馏目标：用 MSE 来惩罚师生模型间的差异：
其中 z(B) 指的是老师模型 BERT，z(S) 指学生模型，在初步实验中，MSE 比软目标效果更好。
在实际训练时，也使用了传统的交叉熵（对真正目标的预测）和蒸馏损失相结合的方式，最终损失函数如下：
当使用有标签数据训练时，t 是实例的标签；使用无标签数据训练时，使用老师模型打标签。
蒸馏的数据增强
在蒸馏过程中，使用小的数据集不足以让老师模型展示出其所有知识，因此，使用了无标签数据扩充训练数据集，用老师模型对其打标签。
增强 NLP 数据比增强图像数据难度大，没办法使用扭曲等方法，做出的句子可能不够流畅。文中提出了几种数据增强方法：
- 遮蔽：使用类似 BERT 的方法，这种方法能反应句中每个词对标签的贡献。
- 基于词性的词替换：在词袋里找同一词性的词作替换，以保持原始数据的分布。
- n-gram 采样：根据概率，随机采样 n 个连续的词，它是遮蔽方法的增强版。
实验
使用的是 BERT_LARGE 作为老师模型，针对特定任务精调，预测时获取预测的 logit 值，学生模型使用 300 维的 word2vec 作为词嵌入。主实验效果如表 -1 所示：
可以看到同样是使用 BiLSTM 方法，文中方法相较于其它方法有显著提升。
从表 -2 可以看到预测速度也有很大提升：
