# 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》](https://arxiv.org/abs/1909.10351)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： ```shell cd ../../examples/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 `$TEACHER_DIR` 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： ```shell export CUDA_VISIBLE_DEVICES=0 export TASK_NAME=SST-2 export TEACHER_DIR=teacher_models # Moves the best model to $TEACHER_DIR mv ../../examples/benchmark/glue/tmp/SST-2/sst-2_ft_model_xx.pdparams/ $TEACHER_DIR 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： ```shell python task_distill.py \ --model_type tinybert \ --student_model_name_or_path tmp/$TASK_NAME/intermediate_distill_model_final.pdparams \ --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](https://arxiv.org/abs/1909.10351)[J]. arXiv preprint arXiv:1909.10351v5, 2020.