代码拉取完成，页面将自动刷新
在自然语言处理领域中，预训练语言模型（Pre-trained Language Models）已成为非常重要的基础技术。为了进一步促进中文信息处理的研究发展，哈工大讯飞联合实验室（HFL）基于自主研发的知识蒸馏工具TextBrewer，结合了全词掩码（Whole Word Masking）技术和知识蒸馏（Knowledge Distillation）技术推出中文小型预训练模型MiniRBT。
中文LERT | 中英文PERT | 中文MacBERT | 中文ELECTRA | 中文XLNet | 中文BERT | 知识蒸馏工具TextBrewer | 模型裁剪工具TextPruner
查看更多哈工大讯飞联合实验室（HFL）发布的资源：https://github.com/iflytek/HFL-Anthology
| 章节 | 描述 |
|---|---|
| 简介 | 介绍小型预训练模型所应用的技术方案 |
| 模型下载 | 提供了小型预训练模型的下载地址 |
| 快速加载 | 介绍了如何使用🤗Transformers快速加载模型 |
| 模型对比 | 提供了本目录中模型的参数对比 |
| 蒸馏参数 | 预训练蒸馏超参设置 |
| 中文基线系统效果 | 列举了部分中文基线系统效果 |
| 两段式蒸馏方法 | 列举了两段式蒸馏与一段式蒸馏的效果对比 |
| 预训练 | 说明预训练代码的使用方法 |
| 使用建议 | 提供了若干使用中文小型预训练模型的建议 |
| FAQ | 常见问题答疑 |
| 引用 | 本项目的技术报告 |
| 参考文献 | 参考文献 |
目前预训练模型存在参数量大，推理时间长，部署难度大的问题，为了减少模型参数及存储空间，加快推理速度，我们推出了实用性强、适用面广的中文小型预训练模型MiniRBT，我们采用了如下技术：
全词掩码技术：全词掩码技术（Whole Word Masking）是预训练阶段的训练样本生成策略。简单来说，原有基于WordPiece的分词方式会把一个完整的词切分成若干个子词，在生成训练样本时，这些被分开的子词会随机被mask（替换成[MASK]；保持原词汇；随机替换成另外一个词）。而在WWM中，如果一个完整的词的部分WordPiece子词被mask，则同属该词的其他部分也会被mask。更详细的说明及样例请参考：Chinese-BERT-wwm，本工作中我们使用哈工大LTP作为分词工具。
两段式蒸馏：相较于教师模型直接蒸馏到学生模型的传统方法，我们采用中间模型辅助教师模型到学生模型蒸馏的两段式蒸馏方法，即教师模型先蒸馏到助教模型（Teacher Assistant），学生模型通过对助教模型蒸馏得到，以此提升学生模型在下游任务的表现。并在下文中贴出了下游任务上两段式蒸馏与一段式蒸馏的实验对比，结果表明两段式蒸馏能取得相比一段式蒸馏更优的效果。
构建窄而深的学生模型。相较于宽而浅的网络结构，如TinyBERT结构（4层，隐层维数312），我们构建了窄而深的网络结构作为学生模型MiniRBT（6层，隐层维数256和288），实验表明窄而深的结构下游任务表现更优异。
MiniRBT目前有两个分支模型，分别为MiniRBT-H256和MiniRBT-H288，表示隐层维数256和288，均为6层Transformer结构，由两段式蒸馏得到。同时为了方便实验效果对比，我们也提供了TinyBERT结构的RBT4-H312模型下载。
我们会在近期提供完整的技术报告，敬请期待。
| 模型简称 | 层数 | 隐层大小 | 注意力头 | 参数量 | Google下载 | 百度盘下载 |
|---|---|---|---|---|---|---|
| MiniRBT-h288 | 6 | 288 | 8 | 12.3M | [PyTorch] |
[PyTorch] （密码：7313） |
| MiniRBT-h256 | 6 | 256 | 8 | 10.4M | [PyTorch] |
[PyTorch] （密码：iy53） |
| RBT4-h312 (TinyBERT同大小) | 4 | 312 | 12 | 11.4M | [PyTorch] |
[PyTorch] （密码：ssdw） |
也可以直接通过huggingface官网下载模型（PyTorch & TF2）：https://huggingface.co/hfl
下载方法：点击任意需要下载的模型 → 选择"Files and versions"选项卡 → 下载对应的模型文件。
依托于🤗transformers库，可轻松调用以上模型。
from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained("MODEL_NAME")
model = BertModel.from_pretrained("MODEL_NAME")
注意：本目录中的所有模型均使用BertTokenizer以及BertModel加载，请勿使用RobertaTokenizer/RobertaModel！
对应的MODEL_NAME 如下所示：
| 原模型 | 模型调用名 |
|---|---|
| MiniRBT-H256 | "hfl/minirbt-h256" |
| MiniRBT-H288 | "hfl/minirbt-h288" |
| RBT4-H312 | "hfl/rbt4-h312" |
模型结构细节与参数量汇总如下。
| 模型 | 层数 | 隐层大小 | FFN大小 | 注意力头数 | 模型参数量 | 参数量(除去嵌入层) | 加速比 |
|---|---|---|---|---|---|---|---|
| RoBERTa | 12 | 768 | 3072 | 12 | 102.3M (100%) | 85.7M (100%) | 1x |
| RBT6 (KD) | 6 | 768 | 3072 | 12 | 59.76M (58.4%) | 43.14M (50.3%) | 1.7x |
| RBT3 | 3 | 768 | 3072 | 12 | 38.5M (37.6%) | 21.9M (25.6%) | 2.8x |
| RBT4-H312 | 4 | 312 | 1200 | 12 | 11.4M (11.1%) | 4.7M (5.5%) | 6.8x |
| MiniRBT-H256 | 6 | 256 | 1024 | 8 | 10.4M (10.2%) | 4.8M (5.6%) | 6.8x |
| MiniRBT-H288 | 6 | 288 | 1152 | 8 | 12.3M (12.0%) | 6.1M (7.1%) | 5.7x |
括号内参数量百分比以原始base模型（即RoBERTa-wwm-ext）为基准
| 模型 | Batch Size | Training Steps | Learning Rate | Temperature | Teacher |
|---|---|---|---|---|---|
| RBT6 (KD) | 4096 | 100KMAX512 | 4e-4 | 8 | RoBERTa-wwm-ext |
| RBT4-H312 | 4096 | 100KMAX512 | 4e-4 | 8 | RoBERTa-wwm-ext |
| MiniRBT-H256 | 4096 | 100KMAX512 | 4e-4 | 8 | RBT6 (KD) |
| MiniRBT-H288 | 4096 | 100KMAX512 | 4e-4 | 8 | RBT6 (KD) |
为了对比基线效果，我们在以下几个中文数据集上进行了测试。
经过学习率搜索，我们验证了小参数量模型需要更高的学习率和更多的迭代次数，以下是各数据集的学习率。
最佳学习率:
| 模型 | CMRC 2018 | DRCD | OCNLI | LCQMC | BQ Corpus | TNEWS | ChnSentiCorp |
|---|---|---|---|---|---|---|---|
| RoBERTa | 3e-5 | 3e-5 | 2e-5 | 2e-5 | 3e-5 | 2e-5 | 2e-5 |
| * | 1e-4 | 1e-4 | 5e-5 | 1e-4 | 1e-4 | 1e-4 | 1e-4 |
*代表所有小型预训练模型 (RBT3, RBT4-H312, MiniRBT-H256, MiniRBT-H288)
实验结果（开发集）：
| Task | CMRC 2018 | DRCD | OCNLI | LCQMC | BQ Corpus | TNEWS | ChnSentiCorp |
|---|---|---|---|---|---|---|---|
| RoBERTa | 87.3/68 | 94.4/89.4 | 76.58 | 89.07 | 85.76 | 57.66 | 94.89 |
| RBT6 (KD) | 84.4/64.3 | 91.27/84.93 | 72.83 | 88.52 | 84.54 | 55.52 | 93.42 |
| RBT3 | 80.3/57.73 | 85.87/77.63 | 69.80 | 87.3 | 84.47 | 55.39 | 93.86 |
| RBT4-H312 | 77.9/54.93 | 84.13/75.07 | 68.50 | 85.49 | 83.42 | 54.15 | 93.31 |
| MiniRBT-H256 | 78.47/56.27 | 86.83/78.57 | 68.73 | 86.81 | 83.68 | 54.45 | 92.97 |
| MiniRBT-H288 | 80.53/58.83 | 87.1/78.73 | 68.32 | 86.38 | 83.77 | 54.62 | 92.83 |
相对效果：
| Task | CMRC 2018 | DRCD | OCNLI | LCQMC | BQ Corpus | TNEWS | ChnSentiCorp |
|---|---|---|---|---|---|---|---|
| RoBERTa | 100%/100% | 100%/100% | 100% | 100% | 100% | 100% | 100% |
| RBT6 (KD) | 96.7%/94.6% | 96.7%/95% | 95.1% | 99.4% | 98.6% | 96.3% | 98.5% |
| RBT3 | 92%/84.9% | 91%/86.8% | 91.1% | 98% | 98.5% | 96.1% | 98.9% |
| RBT4-H312 | 89.2%/80.8% | 89.1%/84% | 89.4% | 96% | 97.3% | 93.9% | 98.3% |
| MiniRBT-H256 | 89.9%/82.8% | 92%/87.9% | 89.7% | 97.5% | 97.6% | 94.4% | 98% |
| MiniRBT-H288 | 92.2%/86.5% | 92.3%/88.1% | 89.2% | 97% | 97.7% | 94.7% | 97.8% |
注意：为了保证结果的可靠性，对于同一模型，训练轮数分别设置为2、3、5、10，每组至少训练3遍（不同随机种子），汇报模型性能最大平均值。
我们对两段式蒸馏(RoBERTa→RBT6(KD)→MiniRBT-H256)与一段式蒸馏(RoBERTa→MiniRBT-H256)做了比较。实验结果证明两段式蒸馏效果较优。
| 模型 | CMRC 2018 | OCNLI | LCQMC | BQ Corpus | TNEWS |
|---|---|---|---|---|---|
| MiniRBT-H256（两段式） | 77.97/54.6 | 69.11 | 86.58 | 83.74 | 54.12 |
| MiniRBT-H256（一段式） | 77.57/54.27 | 68.32 | 86.39 | 83.55 | 53.94 |
†:该表中预训练模型经过3万步蒸馏，不同于中文基线效果中呈现的模型。
我们使用了TextBrewer工具包实现知识蒸馏预训练过程。完整的训练代码位于pretraining目录下。
dataset:
train: 训练集dev： 验证集distill_configs: 学生模型结构配置文件jsons: 数据集配置文件pretrained_model_path:
ltp: ltp分词模型权重,包含pytorch_model.bin，vocab.txt，config.json，共计3个文件RoBERTa: 教师模型权重，包含pytorch_model.bin，vocab.txt，config.json，共计3个文件scripts: 模型初始化权重生成脚本saves: 输出文件夹config.py: 训练参数配置matches.py: 教师模型和学生模型的匹配配置my_datasets.py: 训练数据处理文件run_chinese_ref.py: 生成含有分词信息的参考文件train.py：预训练主函数utils.py: 预训练蒸馏相关函数定义distill.sh: 预训练蒸馏脚本预训练代码所需依赖库仅在python3.8，PyTorch v1.8.1下测试过，一些特定依赖库可通过pip install -r requirements.txt命令安装。
可从huggingface官网下载ltp分词模型权重与RoBERTa-wwm-ext预训练模型权重，并存放至${project-dir}/pretrained_model_path/目录下相应文件夹。
对于中文模型，我们需先生成含有分词信息的参考文件，可直接运行以下命令：
python run_chinese_ref.py
因为预训练数据集较大，推荐生成参考文件后进行预处理，仅需运行以下命令：
python my_datasets.py
一旦你对数据做了预处理，进行预训练蒸馏就非常简单。我们在distill.sh中提供了预训练示例脚本。该脚本支持单机多卡训练，主要包含如下参数:
teacher_name or_path：教师模型权重文件student_config: 学生模型结构配置文件num_train_steps: 训练步数ckpt_steps：每ckpt_steps保存一次模型learning_rate: 预训练最大学习率train_batch_size: 预训练批次大小data_files_json: 数据集json文件data_cache_dir：训练数据缓存文件夹output_dir: 输出文件夹output encoded layers：设置隐层输出为Truegradient_accumulation_steps：梯度累积temperature：蒸馏温度fp16：开启半精度浮点数训练直接运行以下命令可实现MiniRBT-H256的预训练蒸馏：
sh distill.sh
提示：以良好的模型权重初始化有助于蒸馏预训练。在我们的实验中使用教师模型的前6层初始化助教模型RBT6(KD) ! 请参考scripts/init_checkpoint_TA.py来创建有效的初始化权重，并使用--student_pretrained_weights参数将此初始化用于蒸馏训练!
RoBERT-wwm相差较大，所以使用小参数量模型时请务必调整学习率（基于以上实验结果，小参数量模型需要的初始学习率高，迭代次数更多）。Q: 这个模型怎么用？
A: 参考快速加载。使用方式和HFL推出的中文预训练模型系列如RoBERTa-wwm相同。
Q:为什么要单独生成含有分词信息的参考文件？
A: 假设我们有一个中文句子:天气很好，BERT将它标记为['天'，'气'，'很'，'好'](字符级别)。但在中文中天气是一个完整的单词。为了实现全词掩码，我们需要一个参考文件来告诉模型应该在哪个位置添加##，因此会生成类似于['天'，'##气'，'很'，'好']的结果。
注意：此为辅助参考文件，并不影响模型的原始输入（即与分词结果无关）。
Q: 为什么RBT6 (KD)在下游任务中的效果相较RoBERTa下降这么多? 为什么miniRBT-H256/miniRBT-H288/RBT4-H312效果这么低？如何提升效果？
A: 上文中所述RBT6 (KD)直接由RoBERTa-wwm-ext在预训练任务上蒸馏得到，然后在下游任务中fine-tuning，并不是通过对下游任务蒸馏得到。其他模型类似，我们仅做了预训练任务的蒸馏。如果希望进一步提升在下游任务上的效果，可在fine-tuning阶段再次使用知识蒸馏。
Q: 某某数据集在哪里下载？
A: 部分数据集提供了下载地址。未标注下载地址的数据集请自行搜索或与原作者联系获取数据。
如果本项目中的模型或者相关结论有助于您的研究，请引用以下文章：https://arxiv.org/abs/2304.00717
@misc{yao2023minirbt,
title={MiniRBT: A Two-stage Distilled Small Chinese Pre-trained Model},
author={Xin Yao and Ziqing Yang and Yiming Cui and Shijin Wang},
year={2023},
eprint={2304.00717},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
[1] Pre-training with Whole Word Masking for Chinese BERT (Cui et al., IEEE/ACM TASLP 2021)
[2] TextBrewer: An Open-Source Knowledge Distillation Toolkit for Natural Language Processing (Yang et al., ACL 2020)
[3] CLUE: A Chinese Language Understanding Evaluation Benchmark (Xu et al., COLING 2020)
[4] TinyBERT: Distilling BERT for Natural Language Understanding (Jiao et al., Findings of EMNLP 2020)
欢迎关注哈工大讯飞联合实验室官方微信公众号，了解最新的技术动态。
如有问题，请在GitHub Issue中提交。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。