十三 發自 凹非寺量子位 報導 | 公眾號 QbitAI
比BERT模型參數小18倍，性能還超越了它。
這就是谷歌前不久發布的輕量級BERT模型——ALBERT。
不僅如此，還橫掃各大「性能榜」，在SQuAD和RACE測試上創造了新的SOTA。
而最近，谷歌開源了中文版本和Version 2，項目還登上了GitHub熱榜第二。
ALBERT 2性能再次提升
在這個版本中，「no dropout」、「additional training data」、「long training time」策略將應用到所有的模型。
與初代ALBERT性能相比結果如下。
從性能的比較來說，對於ALBERT-base、ALBERT-large和ALBERT-xlarge，v2版要比v1版好得多。
說明採用上述三個策略的重要性。
平均來看，ALBERT-xxlarge比v1略差一些，原因有以下2點：
額外訓練了1.5M步(兩個模型的唯一區別就是訓練1.5M和3M步)；
對於v1，在BERT、Roberta和XLnet給出的參數集中做了一點超參數搜索；對於v2，只是採用除RACE之外的V1參數，其中使用的學習率為1e-5和0 ALBERT DR。
總的來說，Albert是BERT的輕量版， 使用減少參數的技術，允許大規模的配置，克服以前的內存限制。
Albert使用了一個單模型設置，在 GLUE 基準測試中的性能：
Albert-xxl使用了一個單模型設置，在SQuaD和RACE基準測試中的性能：
中文版下載地址
Base
https://storage.googleapis.com/albert_models/albert_base_zh.tar.gz
Large
https://storage.googleapis.com/albert_models/albert_large_zh.tar.gz
XLarge
https://storage.googleapis.com/albert_models/albert_xlarge_zh.tar.gz
Xxlarge
https://storage.googleapis.com/albert_models/albert_xxlarge_zh.tar.gz
ALBERT v2下載地址
Base
[Tar File]：
https://storage.googleapis.com/albert_models/albert_base_v2.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_base/2
Large
[Tar File]：
https://storage.googleapis.com/albert_models/albert_large_v2.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_large/2
XLarge
[Tar File]：
https://storage.googleapis.com/albert_models/albert_xlarge_v2.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_xlarge/2
Xxlarge
[Tar File]：
https://storage.googleapis.com/albert_models/albert_xxlarge_v2.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_xxlarge/2
預訓練模型
可以使用 TF-Hub 模塊：
Base
[Tar File]：
https://storage.googleapis.com/albert_models/albert_base_v1.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_base/1
Large
[Tar File]：
https://storage.googleapis.com/albert_models/albert_large_v1.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_large/1
XLarge
[Tar File]：
https://storage.googleapis.com/albert_models/albert_xlarge_v1.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_xlarge/1
Xxlarge
[Tar File]：
https://storage.googleapis.com/albert_models/albert_xxlarge_v1.tar.gz
[TF-Hub]：
https://tfhub.dev/google/albert_xxlarge/1
TF-Hub模塊使用示例：
tags = set()if is_training: tags.add("train")albert_module = hub.Module("https://tfhub.dev/google/albert_base/1", tags=tags, trainable=True)albert_inputs = dict( input_ids=input_ids, input_mask=input_mask, segment_ids=segment_ids)albert_outputs = albert_module( inputs=albert_inputs, signature="tokens", as_dict=True)# If you want to use the token-level output, use# albert_outputs["sequence_output"] instead.output_layer = albert_outputs["pooled_output"]
預訓練說明
要預訓練ALBERT，可以使用run_pretraining.py：
pip install -r albert/requirements.txtpython -m albert.run_pretraining \ --input_file=... \ --output_dir=... \ --init_checkpoint=... \ --albert_config_file=... \ --do_train \ --do_eval \ --train_batch_size=4096 \ --eval_batch_size=64 \ --max_seq_length=512 \ --max_predictions_per_seq=20 \ --optimizer='lamb' \ --learning_rate=.00176 \ --num_train_steps=125000 \ --num_warmup_steps=3125 \ --save_checkpoints_steps=5000
GLUE上的微調
要對 GLUE 進行微調和評估，可以參閱該項目中的run_glue.sh文件。
底層的用例可能希望直接使用run_classifier.py腳本。
run_classifier.py可對各個 GLUE 基準測試任務進行微調和評估。
比如 MNLI：
pip install -r albert/requirements.txtpython -m albert.run_classifier \ --vocab_file=... \ --data_dir=... \ --output_dir=... \ --init_checkpoint=... \ --albert_config_file=... \ --spm_model_file=... \ --do_train \ --do_eval \ --do_predict \ --do_lower_case \ --max_seq_length=128 \ --optimizer=adamw \ --task_name=MNLI \ --warmup_step=1000 \ --learning_rate=3e-5 \ --train_step=10000 \ --save_checkpoints_steps=100 \ --train_batch_size=128
可以在run_glue.sh中找到每個GLUE任務的default flag。
從TF-Hub模塊開始微調模型：
albert_hub_module_handle==https://tfhub.dev/google/albert_base/1
在評估之後，腳本應該報告如下輸出：
***** Eval results ***** global_step = ... loss = ... masked_lm_accuracy = ... masked_lm_loss = ... sentence_order_accuracy = ... sentence_order_loss = ...
在SQuAD上微調
要對 SQuAD v1上的預訓練模型進行微調和評估，請使用 run SQuAD v1.py 腳本:
pip install -r albert/requirements.txtpython -m albert.run_squad_v1 \ --albert_config_file=... \ --vocab_file=... \ --output_dir=... \ --train_file=... \ --predict_file=... \ --train_feature_file=... \ --predict_feature_file=... \ --predict_feature_left_file=... \ --init_checkpoint=... \ --spm_model_file=... \ --do_lower_case \ --max_seq_length=384 \ --doc_stride=128 \ --max_query_length=64 \ --do_train=true \ --do_predict=true \ --train_batch_size=48 \ --predict_batch_size=8 \ --learning_rate=5e-5 \ --num_train_epochs=2.0 \ --warmup_proportion=.1 \ --save_checkpoints_steps=5000 \ --n_best_size=20 \ --max_answer_length=30
對於 SQuAD v2，使用 run SQuAD v2.py 腳本：
pip install -r albert/requirements.txtpython -m albert.run_squad_v2 \ --albert_config_file=... \ --vocab_file=... \ --output_dir=... \ --train_file=... \ --predict_file=... \ --train_feature_file=... \ --predict_feature_file=... \ --predict_feature_left_file=... \ --init_checkpoint=... \ --spm_model_file=... \ --do_lower_case \ --max_seq_length=384 \ --doc_stride=128 \ --max_query_length=64 \ --do_train \ --do_predict \ --train_batch_size=48 \ --predict_batch_size=8 \ --learning_rate=5e-5 \ --num_train_epochs=2.0 \ --warmup_proportion=.1 \ --save_checkpoints_steps=5000 \ --n_best_size=20 \ --max_answer_length=30
傳送門
GitHub項目地址：
https://github.com/google-research/ALBERT