BERT再次制霸GLUE排行榜！今天，F(xiàn)acebook公開一個“強力優(yōu)化”版的基于BERT預(yù)訓(xùn)練模型，名為RoBERTa，在GLUE、SQuAD和RACE三個排行榜上全部實現(xiàn)了最先進的結(jié)果。距被XLNet超越?jīng)]過多久，BERT再次回到了最強NLP預(yù)訓(xùn)練模型的王座。

BERT王者歸來了！

前不久，CMU和谷歌大腦提出的XLNet預(yù)訓(xùn)練模型在 20 項任務(wù)上全面碾壓曾有“最強NLP預(yù)訓(xùn)練模型”之稱的BERT，可謂風(fēng)光無限，吸足了眼球。

不過，XLNet的王座沒坐太久。就在今天，F(xiàn)acebook公布一個基于BERT開發(fā)的加強版預(yù)訓(xùn)練模型RoBERTa——在GLUE、SQuAD和RACE三個排行榜上全部實現(xiàn)了最先進的結(jié)果！

GLUE最新排行榜

RACE排行榜

RoBERTa的名稱來"RobustlyoptimizedBERTapproach"，強力優(yōu)化的BERT方法，真是相當簡單粗暴呢~

這項研究由Facebook AI和華盛頓大學(xué)的研究團隊共同完成，而且第一作者是華人研究員Yinhan Liu，此外還有Jingfei Du和Danqi Chen。

作者之一的Veselin Stoyanov在推特上公布了該結(jié)果

Facebook AI負責(zé)人Yann LeCun推薦：

要說RoBERTa是如何制霸3個benchmark排行榜的，簡言之，用更多的數(shù)據(jù)，采取更精妙的訓(xùn)練技巧，訓(xùn)練更久一些。

作者在論文中寫道：“我們對BERT預(yù)訓(xùn)練(Devlin et al. , 2019)進行了一項復(fù)制研究，仔細衡量了許多關(guān)鍵超參數(shù)和訓(xùn)練數(shù)據(jù)大小對結(jié)果的影響。我們發(fā)現(xiàn)BERT的訓(xùn)練明顯不足，并且可以匹配或超過之后發(fā)布的每個模型的性能。我們最好的模型在GLUE，RACE 和 SQuAD上都實現(xiàn)了最先進的結(jié)果。”

作者表示，超參數(shù)的選擇對最終結(jié)果的影響很大。

他們發(fā)布了模型和代碼：https://github.com/pytorch/fairseq

接下來，新智元帶來對這篇論文的詳細解讀：

只要訓(xùn)練得好，BERT可以超過所有后續(xù)方法的性能

自我訓(xùn)練的方法，比如ELMo, GPT，BERT，XLM 以及XLNet等，帶來了顯著的性能提升，但要想確定這些方法的哪些方面對性能提升貢獻最多是相當有挑戰(zhàn)性的。由于訓(xùn)練在計算上成本很高，限制了可執(zhí)行的調(diào)優(yōu)量，而且常常使用不同大小的私有訓(xùn)練數(shù)據(jù)進行調(diào)優(yōu)，限制了對建模進展效果的測量。

我們對BERT預(yù)訓(xùn)練模型(Devlin et al., 2019)進行了一項復(fù)制研究，包括仔細評估了超參數(shù)調(diào)優(yōu)效果和訓(xùn)練集大小的影響。我們發(fā)現(xiàn)BERT明顯訓(xùn)練不足，并提出了一個改進的訓(xùn)練BERT模型的方法，我們稱之為RoBERTa，它可以達到或超過所有BERT后續(xù)方法(post-BERT)的性能。

我們做的修改很簡單，包括：

(1)對模型進行更長時間、更大批量、更多數(shù)據(jù)的訓(xùn)練；

(2)刪除下一句預(yù)測的目標；

(3)對較長序列進行訓(xùn)練；

(4)動態(tài)改變應(yīng)用于訓(xùn)練數(shù)據(jù)的masking模式。

我們還收集了一個與其他私有數(shù)據(jù)集大小相當?shù)男聰?shù)據(jù)集(CC-NEWS)，以便更好地控制訓(xùn)練集大小效果。

在對訓(xùn)練數(shù)據(jù)進行控制時，我們的升級版訓(xùn)練程序進一步提升了BERT在GLUE和SQuAD排行榜上公布的結(jié)果。

經(jīng)過長時間的訓(xùn)練，我們的模型在公共 GLUE排行榜上的得分為88.5分，與Yang等人(2019)報告的88.4分相當。我們的模型在GLUE 9個任務(wù)的其中4個上達到了state-of-the-art的水平，分別是：MNLI, QNLI, RTE 和 STS-B。此外，我們還在SQuAD 和 RACE 排行榜上達到了最高分。

總結(jié)而言，本文的貢獻有：

(1)我們提出了一套重要的BERT設(shè)計選擇和訓(xùn)練策略，并引入了能夠提高下游任務(wù)成績的備選方案;

(2)我們使用一個新的數(shù)據(jù)集CCNEWS，并確認使用更多的數(shù)據(jù)進行預(yù)訓(xùn)練可以進一步提高下游任務(wù)的性能;

(3)我們的訓(xùn)練改進表明，在正確的設(shè)計選擇下，預(yù)訓(xùn)練的masked language model與其他所有最近發(fā)表的方法相比都更具有競爭力。我們發(fā)布了在PyTorch中實現(xiàn)的模型、預(yù)訓(xùn)練和微調(diào)代碼。

模型架構(gòu)：Transformer

BERT使用了現(xiàn)在已經(jīng)十分流行的transformer架構(gòu)，這里我們不會詳細討論它。我們使用的是L層的transformer 架構(gòu)，每個block 都使用一個self-attention head和隱藏維度H。

在訓(xùn)練前，BERT使用了兩個目標：masked language modeling和下一句預(yù)測。

Masked Language Mode(MLM)選擇輸入序列中的隨機token樣本，并用特殊的token[MASK]替換。MLM的目標是預(yù)測遮擋token時的交叉熵損失。BERT一致選擇15%的輸入token作為可能的替換。在所選的token中，80%替換為[MASK]， 10%保持不變，10%替換為隨機選擇的詞匯表token。

在最初的實現(xiàn)中，隨機遮擋和替換在開始時執(zhí)行一次，并保存到訓(xùn)練期間，但是在實際操作中，由于數(shù)據(jù)是重復(fù)的，所以每個訓(xùn)練語句的mask并不總是相同的。

下一句預(yù)測(NSP)是一種二分類損失，用于預(yù)測兩個片段在原文中是否相互跟隨。通過從文本語料庫中提取連續(xù)的句子來創(chuàng)建積極的例子。反例是通過對來自不同文檔的段進行配對來創(chuàng)建的。正、負樣本的抽樣概率相等。

NSP的目標是為了提高下游任務(wù)的性能，比如自然語言推理，這需要對句子對之間的關(guān)系進行推理。

實驗設(shè)計

在本節(jié)中，我們描述了用于BERT復(fù)制研究的實驗設(shè)置。

我們在FAIRSEQ中重新實現(xiàn)了BERT。我們主要遵循第2節(jié)中給出的原始BERT優(yōu)化超參數(shù)，除了峰值學(xué)習(xí)率和warmup步驟的數(shù)量，這兩個參數(shù)分別針對每個設(shè)置進行調(diào)優(yōu)。

此外，我們還發(fā)現(xiàn)訓(xùn)練對Adam epsilon項非常敏感，在某些情況下，在對其進行調(diào)優(yōu)后，我們獲得了更好的性能或更好的穩(wěn)定性。同樣地,我們發(fā)現(xiàn)設(shè)置β2 = 0.98時可以提高大的batch size訓(xùn)練時的穩(wěn)定性。

我們在DGX-1機器上進行混合精度浮點運算的訓(xùn)練，每臺機器上有8個32GB Nvidia V100 GPU，通過Infiniband互連。

哪些選擇對于成功地訓(xùn)練BERT模型至關(guān)重要

本節(jié)探討和量化哪些選擇對于成功地訓(xùn)練BERT模型至關(guān)重要。我們保持模型架構(gòu)不變。具體地說，我們首先以與BERTBASE相同的配置(L = 12, H = 768, A = 12, 110M params)開始訓(xùn)練BERT模型。

靜態(tài)masking vs. 動態(tài)masking

正如在前文討論的，BERT依賴于隨機遮擋和預(yù)測token。原始的BERT實現(xiàn)在數(shù)據(jù)預(yù)處理期間執(zhí)行一次遮擋，從而產(chǎn)生一個靜態(tài)遮擋(static mask)。為了避免在每個epoch中對每個訓(xùn)練實例使用相同的mask，我們將訓(xùn)練數(shù)據(jù)重復(fù)10次，以便在40個訓(xùn)練epoch中以10種不同的方式對每個序列進行遮擋。因此，在訓(xùn)練過程中，每個訓(xùn)練序列都使用相同的mask四次。

我們將此策略與動態(tài)遮擋(dynamic masking)進行比較，在dynamic masking)中，每次向模型提供序列時都會生成masking模式。當對更多步驟或更大的數(shù)據(jù)集進行預(yù)訓(xùn)練時，這一點變得至關(guān)重要。

表1：SEBERTBASE的靜態(tài)和動態(tài)masking的比較。我們報告了SQuAD 的F1分數(shù)和MNLI-m 以及 SST-2的準確性結(jié)果。報告的結(jié)果是超過5個隨機初始化的中值。參考結(jié)果來自Yang et al. (2019).

結(jié)果表1比較了Devlin等人(2019)發(fā)布的BERTBASE結(jié)果與我們使用靜態(tài)或動態(tài)masking重新實現(xiàn)的結(jié)果。我們發(fā)現(xiàn)，使用靜態(tài)masking的重新實現(xiàn)的性能與原始的BERT模型相似，而動態(tài)masking可以與靜態(tài)masking的結(jié)果相當，甚至略好于靜態(tài)masking。

考慮到這些結(jié)果和動態(tài)masking的額外效率優(yōu)勢，我們在其余的實驗中使用動態(tài)masking。

模型輸入格式和下一句預(yù)測

在原始的BERT預(yù)訓(xùn)練過程中，模型觀察到兩個連接的文檔片段，它們要么是從相同的文檔連續(xù)采樣(p = 0.5)，要么是從不同的文檔采樣。除了masked language modeling 目標外，該模型還通過輔助下一句預(yù)測(NSP)損失訓(xùn)練模型來預(yù)測觀察到的文檔片段是來自相同還是不同的文檔。

NSP損失被認為是訓(xùn)練原始BERT模型的一個重要因素。Devlin等人(2019)觀察到，去除NSP會損害性能，QNLI、MNLI和SQuAD的性能都顯著下降。然而，最近的一些工作對NSP損失的必要性提出了質(zhì)疑。

為了更好地理解這種差異，我們比較了幾種替代訓(xùn)練格式：

表2：在BOOKCORPUS和WIKIPEDIA上預(yù)訓(xùn)練的基本模型的開發(fā)集結(jié)果。

表2顯示了四種不同設(shè)置的結(jié)果。我們發(fā)現(xiàn)，使用單獨的句子會影響下游任務(wù)的性能，我們假設(shè)這是因為該模型無法學(xué)習(xí)長期依賴關(guān)系。

接下來，我們將無NSP損失的訓(xùn)練與來自單個文檔(doc - sentence)的文本塊的訓(xùn)練進行比較。我們發(fā)現(xiàn)，與Devlin等人(2019)相比，該設(shè)置的性能優(yōu)于最初發(fā)布的BERTBASE結(jié)果，消除NSP損失達到或略微提高了下游任務(wù)性能。

最后，我們發(fā)現(xiàn)將序列限制為來自單個文檔(doc - sentence)的性能略好于打包來自多個文檔(全句)的序列。但是，由于doc - sentence格式會導(dǎo)致不同的batch sizes，所以我們在其余的實驗中使用完整的句子，以便與相關(guān)工作進行比較。

large batches訓(xùn)練

以往的神經(jīng)機器翻譯研究表明，當學(xué)習(xí)率適當提高時，非常大的mini-batches的訓(xùn)練既可以提高優(yōu)化速度，又可以提高最終任務(wù)性能。最近的研究表明，BERT也可以接受 large batch訓(xùn)練。

Devlin等人(2019)最初訓(xùn)練BERTBASE只有100萬步， batch size為256個序列。

在表3中，我們比較了BERTBASE在增大 batch size時的復(fù)雜性和最終任務(wù)性能，控制了通過訓(xùn)練數(shù)據(jù)的次數(shù)。我們觀察到，large batches訓(xùn)練提高了masked language modeling 目標的困惑度，以及最終任務(wù)的準確性。通過分布式數(shù)據(jù)并行訓(xùn)練，large batches也更容易并行化，在后續(xù)實驗中，我們使用8K序列的batches進行并行訓(xùn)練。

表3:不同批大小上訓(xùn)練的基本模型的未完成訓(xùn)練數(shù)據(jù)(ppl)和開發(fā)集準確性的困惑度。

RoBERTa：制霸三大基準數(shù)據(jù)集

在上一節(jié)中，我們建議修改BERT預(yù)訓(xùn)練程序，以改善最終任務(wù)的性能。我們現(xiàn)在匯總這些改進并評估它們的綜合影響。我們將這種配置稱為RoBERTa，即“RobustlyoptimizedBERTapproach”，強力優(yōu)化的BERT方法。

具體來說，RoBERTa采用了dynamic masking、沒有NSP損失的完整句子、large mini-batches和更大的字節(jié)級BPE的訓(xùn)練。

此外，我們還研究了以前工作中未被強調(diào)的另外兩個重要因素：（1）用于預(yù)訓(xùn)練的數(shù)據(jù)，以及（2）通過數(shù)據(jù)的訓(xùn)練次數(shù)。例如，最近提出的XLNet架構(gòu)使用的數(shù)據(jù)比原始BERT多近10倍。它還以8倍大的批量進行訓(xùn)練，以獲得一半的優(yōu)化步驟，因此在預(yù)訓(xùn)練中看到的序列數(shù)是BERT的4倍。

為了將這些因素與其他建模選擇（例如，預(yù)訓(xùn)練目標）的重要性區(qū)分開來，我們首先按照BertLarge架構(gòu)（L=24，H=1024，A=16355m）對Roberta進行訓(xùn)練。正如在Devlin et al. 中使用的一樣，我們用BOOKCORPUS和WIKIPEDIA數(shù)據(jù)集進行了100K步預(yù)訓(xùn)練。我們使用1024V100GPU對我們的模型進行了大約一天的預(yù)訓(xùn)練。

結(jié)果如表4所示，當控制訓(xùn)練數(shù)據(jù)時，我們觀察到RoBERTa比最初報告的BERTLARGE結(jié)果有了很大的改進，再次證實我們在第4節(jié)中探討的設(shè)計選擇的重要性。

表4：當我們預(yù)先訓(xùn)練了更多數(shù)據(jù)（16GB→160GB文本）和預(yù)訓(xùn)練更久（100K→300K→500K步），RoBERTa的開發(fā)集（Development set）結(jié)果。每行累積上述行的改進。RoBERTa匹配BERTLARGE的架構(gòu)和訓(xùn)練目標。BERTLARGE和XLNetLARGE的結(jié)果分別來自Devlin et al.和Yang et al. 附錄中有所有GLUE任務(wù)的完整結(jié)果。

接下來，我們將此數(shù)據(jù)與第3.2節(jié)中描述的三個附加數(shù)據(jù)集相結(jié)合。我們用與之前相同數(shù)量的訓(xùn)練步（100K）對RoBERTa進行綜合數(shù)據(jù)訓(xùn)練。我們總共預(yù)處理了超過160GB的文本。我們觀察到所有下游任務(wù)的性能進一步提高，驗證了數(shù)據(jù)大小和多樣性在預(yù)訓(xùn)練中的重要性。

最后，我們預(yù)先訓(xùn)練RoBERTa的時間要長得多，將預(yù)訓(xùn)練步數(shù)從100K增加到300K，再進一步增加到500K。我們再次觀察到下游任務(wù)性能的顯著提升，300K和500K步模型在大多數(shù)任務(wù)中的表現(xiàn)優(yōu)于XLNetLARGE。我們注意到，即使是我們訓(xùn)練時間最長的模型似乎也不會超出我們的數(shù)據(jù)范圍，而且可能會從額外的訓(xùn)練中受益。

在本文的其余部分，我們根據(jù)三個不同的基準評估我們最好的RoBERTa模型：GLUE，SQuaD和RACE。具體來說，我們認為RoBERTa在第3.2節(jié)中介紹的所有五個數(shù)據(jù)集上都進行了500K步的訓(xùn)練。

表5：GLUE的結(jié)果。所有結(jié)果均基于24層架構(gòu)。BERTLARGE和XLNetLARGE結(jié)果分別來自Devlin et al.和Yang et al. 開發(fā)集上的RoBERTa結(jié)果是五次運行的中間數(shù)。測試集上的RoBERTa結(jié)果是單任務(wù)模型的集合。對于RTE，STS和MRPC，我們從MNLI模型而不是基線預(yù)訓(xùn)練模型開始微調(diào)。平均值從GLUE leaderboard獲得。

表6：SQuAD的結(jié)果。+表示依賴于額外外部訓(xùn)練數(shù)據(jù)的結(jié)果。RoBERTa在開發(fā)和測試中僅使用了提供的SQuAD數(shù)據(jù)。BERTLARGE和XLNetLARGE結(jié)果分別來自Devlin et al.和Yang et al.

表7：RACE測試集的結(jié)果。BERTLARGE和XLNetLARGE的結(jié)果來自Yang et al.