按照时间线帮你梳理10种预训练模型

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要25分钟

跟随小博主，每天进步一丢丢

作者: 林哲乐

方向: 知识图谱、问答

知乎专栏:

https://zhuanlan.zhihu.com/p/151741265

CSDN博客：

https://blog.csdn.net/weixin_37995835/article/details/106994820

本文的主要目的是理清时间线，关注预训练的发展过程，进行模型间的联系和对比，具体原理和细节请参考原论文和代码，不再一一赘述。

『预训练模型的时间线』

ELMO 2018.03 华盛顿大学
GPT 2018.06 OpenAI
BERT 2018.10 Google
XLNet 2019.6 CMU+google
ERNIE 2019.4 百度
BERT-wwm 2019.6 哈工大+讯飞
RoBERTa 2019.7.26 Facebook
ERNIE2.0 2019.7.29 百度
BERT-wwm-ext 2019.7.30 哈工大 +讯飞
ALBERT 2019.10 Google

（文末附相关论文及模型代码）

『预训练语言模型分类』

单向特征、自回归模型（单向模型）：

ELMO/ULMFiT/SiATL/GPT1.0/GPT2.0
双向特征、自编码模型（BERT系列模型）：

BERT/ERNIE/SpanBERT/RoBERTa
双向特征、自回归模型“

XLNet

『各模型之间的联系』

传统word2vec无法解决一词多义，语义信息不够丰富，诞生了ELMO
ELMO以lstm堆积，串行且提取特征能力不够，诞生了GPT
GPT 虽然用transformer堆积，但是是单向的，诞生了BERT
BERT虽然双向，但是mask不适用于自编码模型，诞生了XLNET
BERT中mask代替单个字符而非实体或短语，没有考虑词法结构/语法结构，诞生了ERNIE
为了mask掉中文的词而非字，让BERT更好的应用在中文任务，诞生了BERT-wwm
Bert训练用更多的数据、训练步数、更大的批次，mask机制变为动态的，诞生了RoBERTa
ERNIE的基础上，用大量数据和先验知识，进行多任务的持续学习，诞生了ERNIE2.0
BERT-wwm增加了训练数据集、训练步数，诞生了BERT-wwm-ext
BERT的其他改进模型基本考增加参数和训练数据，考虑轻量化之后，诞生了ALBERT

「 1.ELMO 」

“Embedding from Language Models"

NAACL18 Best Paper

特点：传统的词向量（如word2vec）是静态的/上下文无关的，而ELMO解决了一词多义；ELMO采用双层双向LSTM
缺点：lstm是串行，训练时间长；相比于transformer，特征提取能力不够（ELMO采用向量拼接）
使用分为两阶段：预训练+应用于下游任务，本质就是根据当前上下文对Word Embedding进行动态调整的过程：

1. 用语言模型进行预训练

左边的前向双层LSTM是正方向编码器，顺序输入待预测单词w的上文；右边则是反方向编码器，逆序输入w的下文

训练好之后，输入一个新句子s，每个单词都得到三个Embedding：①单词的Word Embedding ②第一层关于单词位置的Embedding ②第二层带有语义信息的Embedding（上述的三个Embedding 、LSTM网络结果均为训练结果）

2. 做下游任务时，从预训练网络中提取对应单词的网络各层的Word Embedding作为新特征补充到下游任务中。如QA任务：输入Q/A句子，对三个Embedding分配权重，整合生成新的Embedding

「 2.GPT 」

“Generative Pre-Training”

优点：Transformer捕捉更长范围的信息，优于RNN；并行，快速
缺点：需要对输入数据的结构调整；单向

GPT模型图

特点：

依然两段式：单向语言模型预训练（无监督）+fine tuning应用到下游任务（有监督）
自回归模型
transformer的decoder里面有三个子模块，GPT只用了第一个和第三个子模块，如下图：

与ELMO的不同：

GPT只用了transformer的decoder模块提取特征，而不是Bi-LSTM；堆叠12个
单向（根据上文预测单词，利用mask屏蔽下文）

GPT中的mask如下图所示，mask之后要进行softmax：

mask操作

softmax操作

GPT依然分为两阶段

第一阶段（预训练）：

GPT的训练过程

第二阶段（应用于下游任务）：

向GPT的网络结构看齐，把任务的网络结构改造成和 GPT的网络结构是一样的。做法如下：

对于分类问题，不用怎么动，加上一个起始和终结符号即可；
对于句子关系判断问题，比如 Entailment，两个句子中间再加个分隔符即可；
对文本相似性判断问题，把两个句子顺序颠倒下做出两个输入即可，这是为了告诉模型句子顺序不重要；
对于多项选择问题，则多路输入，每一路把文章和答案选项拼接作为输入即可。从上图可看出，这种改造还是很方便的，不同任务只需要在输入部分施工即可。

效果：在 12 个任务里，9 个达到了最好的效果，有些任务性能提升非常明显。

ELMO、BERT、GPT-2模型大小对比图

OpenAI在之后又提出了GPT-2模型，论文为《Language Models are Unsupervised Multitask Learners》，结构与GPT-1相似（依然采用transformer的encoder），但是采用多任务预训练+超大数据集+超大规模模型，所以有更好的性能表现，但是参数也增加了更多。

GPT的不同参数

如上图所示，第一组的规模和GPT一样，第二组和BERT一样，最后一个是GPT-2的参数量、层数和隐层大小。

由于单向地用上文预测下一个单词，GPT比BERT更适合做文本生成的任务。

「 3.BERT 」

“Bidirectional Encoder Representations from Transformers"

与GPT的区别：

双向
用的是transformer的encoder（GPT用的是decoder，ELMO用的是Bi-LSTM）
多任务学习方式训练：预测目标词和预测下一句

优点：效果好、普适性强、效果提升大
缺点：硬件资源的消耗巨大、训练时间长；预训练用了[MASK]标志，影响微调时模型表现

预训练分为以下三个步骤：

Embedding

三个Embedding 求和而得，分别是：

a.Token Embeddings：词向量，首单词是[CLS]标志，可用于分类任务

b.Segment Embeddings：用[SEP]标志将句子分为两段，因为预训练不光做LM还要做以两个句子为输入的分类任务

c.Position Embeddings：和之前文章中的Transformer不同，不是三角函数而是学习出来的
预测目标词Masked LM

随机挑选一个句子中15%的词，用上下文来预测。这15%中，80%用[mask]替换，10%随机取一个词替换，10%不变。用非监督学习的方法预测这些词。
预测下一句 Next Sentence Prediction

选择句子对A+B，其中50%的B是A的下一句，50%为语料库中随机选取

BERT的微调（fine tuning）参考参数：

Batch Size:16 or 32
Learning Rate: 5e-5, 3e-5, 2e-5
Epochs:2, 3, 4

BERT非常强大，在 11 项 NLP 任务中夺得 SOTA 结果，这11项任务可分为四大类：

句子对分类任务
单句子分类任务
问答任务
单句子标注任务

BERT中NLP四大下游任务微调

『tips』：可以尝试用BERT框架去做以上四种任务的简单实验，便于掌握BERT结构

『小总结』：

BERT、GPT、ELMo模型图

ELMO用Bi-LSTM，GPT用transformer的decoder，BERT用transformer的encoder
ELMO：双向，GPT，单向，BERT：双向
ELMO：解决一词多义，GPT，特征更丰富，BERT：双向/多任务训练/能捕捉更长距离的依赖
GPT：适合文本生成等任务（NLG任务），BERT：适合预测任务（NLU任务）
GPT-2，以及一些诸如 TransformerXL 和 XLNet 等后续出现的模型，本质上都是自回归模型，而 BERT 则不然，虽然没有使用自回归机制，但 BERT 获得了结合单词前后的上下文信息的能力，从而取得了更好的效果。而其中XLNet虽然使用了自回归，但引入了一种能够同时兼顾前后的上下文信息的方法，即双流自注意力。

「 4.XLNet 」

XLNet是一个语言模型。和ELMO，GPT，BERT一脉相承，同时借鉴Transformer-XL，故称XLNet（XL含义为衣服尺码，意思是模型横向更宽），其参数规模远大于BERT

基本思路：通过排列组合的方式将一部分下文单词放到上文单词的位置，但实际形式还是一个从左到右预测的自回归语言模型。

优化：

采用自回归(AR , Autoregressive)模型替代自编码(AE , Autoencoding )模型，解决bert中mask带来的负面影响（预训练和微调数据的不统一）
双流注意力机制（新的分布计算方法，来实现目标位置感知）
引入transformer-XL

『自回归 / 自编码区别』

自回归，时间序列分析或者信号处理领域常用词汇，根据上文预测当前词
自编码，是无监督的，mask掉一个词，然后根据上下文来预测这个词

『双流注意力机制』

该机制：1.预测当前的x时，只包含其位置信息，不包含内容信息 2.预测x后的其余tokens时，包含x的内容信息

content representation内容表述，下文用表示，同时编码上下文和

query representation查询表述，下文用表示，包含上下文的内容信息和目标的位置信息，但不包括目标的内容信息

『引入transformer-XL』

（相对位置编码+片段循环机制）

相对位置编码：为了区分某个位置编码到底时哪一个片段里的。此值为训练所得，用来计算注意力的权值。（bert采用绝对位置编码）
片段循环机制：解决了超长序列的依赖问题，因为前一个片段被保留了，不需重新计算；同时加快了训练速度

xlnet在长文本的阅读理解类任务上性能提升更明显，性能大幅超过Bert；XLNet的预训练模式同时也天然符合序列生成任务，如文本摘要

「 5.ERNIE 」

“Enhanced Representation through Knowledge Integration”

这里是指由百度提出的ERNIE。ERNIE是基于BERT做的优化，主要针对中文任务。ERNIE利用的仍然是 transformer 的encoder 部分，且结构一样，但是并不共享权重，区别如下:

Transformer: 6 encoder layers, 512 hidden units, 8 attention heads
ERNIE Base: 12 encoder layers, 768 hidden units, 12 attention heads
ERNIE Large: 24 encoder layers,1024 hidden units, 16 attention heads

训练数据：中文维基百科、百度百科、百度新闻、百度贴吧，大小分别为 21M，51M，47M，54M；
对BERT的优化：

三种mask：字层面、短语层面、实体层面（引入外部知识，模型可获得更可靠的语言表示）
用大量中文数据集、异质数据集
为适应多轮的贴吧数据，引入对话语言模型(DLM ，Dialogue Language Model)的任务

（ERNIE对mask机制的改进，为BERT-wwm、SpanBERT等提供了思路）

预训练过程：

连续用大量的数据与先验知识连续构建不同的预训练任务（词法级别，语法级别，语义级别）
不断的用预训练任务更新ERNIE 模型

ERNIE的mask与BERT的不同：

ERNIE的mask策略分三个阶段（附图）：

第一阶段，采用BERT的方式，字级别，即basic-level masking，随机mask中文某字
第二阶段，词组级别的mask，即phrase-level masking，mask掉句子中一部分词组（预测这些词组的阶段，词组信息被编码到词向量中）
第三阶段，实体级别的mask，即entity-level masking，如人名、机构名等（模型训练完后，学到实体信息）先分析句子的实体，然后随机mask

可以看到，BERT中只是mask了单个token，但在中文中多以短语或实体为单位，分成单字mask并不能很好地表达语义、句法等。所以ERNIE引入了三种mask方式。

不同mask的效果：

『DLM (Dialogue Language Model) task』：

多轮对话的语料，三个句子的组合：[CLS]S1[SEP]S2[SEP]S3[SEP] ，形式为QRQ，QRR，QQR （Q：提问，R：回答）。DLM还增加了任务来判断这个多轮对话是真的还是假的。

「 6.BERT-wwm 」

“BERT- whole word mask”

对BERT-base的改进：用[Mask]替换词而非单字（中文的词=词语，英文的词=word/字），如：

BERT-wwm-ext与BERT-wwm

BERT-wwm使用的语料：中文维基+通用数据（百科、新闻、问答等数据，总词数达5.4B）
BERT-wwm-ext使用的语料：中文维基

与ERNIE相比：

不仅仅是连续mask实体词和短语，而是连续mask所有能组成中文词语的字。如果一个完整的词的部分字被mask，则同属该词的其他部分也会被mask，即对组成同一个词的汉字全部进行Mask，即为全词Mask，即分词后再mask。这样做增加了语义信息。

（由于BERT-wwm是在BERT-base的基础上训练的，使用时可以无缝对接BERT，直接替换即可，不需要该文件。推荐使用在中文任务上。）

「 7.RoBERTa 」

“ a Robustly Optimized BERT Pretraining Approach”

RoBERTa在模型层面没有改变BERT，改变的只是预训练的方法。主要是在BERT的基础上做精细化调参，可以看作是终极调参，最后性能不仅全面碾压BERT，且在大部分任务上超越了XLNet。

对bert的调整：

训练数据更多（160G），bert是16G
batch size更大（256到8000不等），训练时间更长
训练序列更长
不在使用NSP(Next Sentence Prediction)任务，移除了next predict loss
动态Masking，让数据不重复
文本编码采用更大的字节级别的BPE词汇表（Byte-Pair Encoding）而Bert是字符级

BERT是静态mask，在数据处理的过程进行；而RoBERTa采用动态mask，在每次输入数据的时候进行（每个epoch每个sequence被MASK的方式不相同，提高随机性）

训练方式：

SEGMENT-PAIR + NSP：输入包含两部分，每个部分是来自同一文档或者不同文档的 segment （segment 是连续的多个句子），这两个segment 的token总数少于 512 。预训练包含 MLM 任务和 NSP 任务。这是原始 BERT 的做法。
SENTENCE-PAIR + NSP：输入也是包含两部分，每个部分是来自同一个文档或者不同文档的单个句子，这两个句子的token 总数少于 512 。由于这些输入明显少于512 个tokens，因此增加batch size的大小，以使 tokens 总数保持与SEGMENT-PAIR + NSP 相似。预训练包含 MLM 任务和 NSP 任务。
FULL-SENTENCES：输入只有一部分（而不是两部分），来自同一个文档或者不同文档的连续多个句子，token 总数不超过 512 。输入可能跨越文档边界，如果跨文档，则在上一个文档末尾添加文档边界token 。预训练不包含 NSP 任务。
DOC-SENTENCES：输入只有一部分（而不是两部分），输入的构造类似于FULL-SENTENCES，只是不需要跨越文档边界，其输入来自同一个文档的连续句子，token 总数不超过 512 。在文档末尾附近采样的输入可以短于 512个tokens，因此在这些情况下动态增加batch size大小以达到与 FULL-SENTENCES 相同的tokens总数。预训练不包含 NSP 任务.

训练结果对比：

与其他预训练模型对比：

「 8.ERNIE2.0 」

ERNIE2.0是ERNIE的升级版。百度ERNIE2.0 的出现直接刷新了GLUE Benchmark。

对ERNIE的优化：多任务训练（逐次增加7大任务）

模型图如下：

ERNIE2.0结构图

引入Task Embedding，区别不同的任务。训练方法：先训练任务1，保存模型；加载模型，训练任务1、任务2；以此类推，直到训练完7个任务。相当于递进式的学习，如ERNIE 1.0 突破完形填空ERNIE 2.0 突破选择题，句子排序题等不断递进更新。

效果：在ERNIE1.0的基础上有全面的提升，尤其是在阅读理解任务上

「 9.BERT-wwm-ext 」

BERT-wwm-ext 是一个中文预训练语言模型，BERT-wwm的升级版。BERT-wwm-ext采用了与BERT以及BERT-wwm一样的模型结构，同属base模型，由12层Transformers构成。其实就是增加数据量和训练次数来提升效果。

对BERT-wwm的改进：

预训练数据集做了增加，次数达到5.4B；
训练步数增大，训练第一阶段1M步，batch size为2560；训练第二阶段400K步，batch size为2560。

在各个任务上的效果：

1.中文简体阅读理解

数据：CMRC 2018，哈工大+讯飞发布的中文机器阅读理解数据
任务：根据指定问题，从篇章中抽取出片段作为答案
与BERT和ERNIE的对比：

2.中文繁体阅读理解

数据：DRCD，中国台湾台达研究院发布的数据集
BERT-wwm-ext带来非常显著的性能提升：

3.自然语言推断

数据：XNLI，
BERT-wwm-ext与ERNIE在该任务上的效果较好：

「 10.ALBERT 」

ALBERT也是采用和BERT一样的Transformer的encoder结果，激活函数使用的也是GELU。但ALBERT用了全新的参数共享机制，参数量相比BERT来说少了很多（小10倍+）。简单来说，就是：参数更少，效果更好。

ALBERT的改进/贡献：

提出了两种减少内存的方法（因式分解、参数共享）
改进了BERT中的NSP的预训练任务，提升了训练速度
提升了模型效果

ALBERT的改进有三个方面：

对Embedding进行因式分解
跨层参数共享（性能轻微降低，参数大量减少)
句间连贯性损失（SOP）

1.对Embedding进行因式分解

BERT中及XLNet和RoBERTa中，词嵌入大小 E 和隐藏层大小 H 相等的，H =E=768；而ALBERT认为，词嵌入学习单个词的信息，而隐藏层输出包含上下文信息，应该 H>>E。所以ALBERT的词向量的维度小于encoder输出值维度。而且由于词典较大，词嵌入维度太大会导致，反向传播时更新的内容稀疏。由于上述两个原因，ALBER用了因式分解的方法降低参数量。

先把one-hot向量映射到一个低维度的空间，大小为E，然后再映射到一个高维度的空间（相当于两次线性变换），从而把参数量从O(V×H)O(V×H)O(V×H)降低到了O(V×E+E×H)O(V×E+E×H) O(V×E+E×H)。实验效果如下：（E=128时最佳）

2.跨层参数共享

Transformer中共享参数有：只共享全连接层；只共享attention层。ALBERT结合上述两种，全连接层与attention层都进行参数共享。是减少参数的更主要的方法。参数减少很多，同时性能提升。如下图：

除了训练速度加快，网络震荡幅度也变小了（参数共享可以稳定网络参数）：

3.句间连贯性损失（SOP，sentence-order prediction 句子顺序预测）

【NSP 任务】正样本：同一个文档的两个连续句子；负样本：两个连续句子交换顺序

【SOP 任务】正样本：同一个文档的两个连续句子；负样本：不同文档的句子

SOP能解决NSP的任务，但是NSP并不能解决SOP的任务。此任务的效果提升为一个点，如下图：

在降低参数量的两个方式中，参数共享的贡献远远大于因式分解。减少总运算量，是一个复杂艰巨的任务，ALBERT在训练时速度确实提升了，但在预测时仍然和BERT一样。

『模型论文』

ELMO：

https://arxiv.org/pdf/1802.05365.pdf
GPT：

https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/languageunsupervised/language_understanding_paper.pdf
BERT：

https://arxiv.org/pdf/1810.04805.pdf
XLNet：

https://arxiv.org/pdf/1906.08237.pdf
ERNIE：

https://arxiv.org/pdf/1904.09223.pdf

BERT-wwm：

https://arxiv.org/pdf/1906.08101.pdf
RoBERTa：

https://arxiv.org/pdf/1907.11692.pdf

ERNIE2.0：

https://arxiv.org/pdf/1907.12412.pdf
ALBERT：

https://openreview.net/pdf？id=H1eA7AEtvS

『模型代码』

ELMO：

https://github.com/allenai/allennlp
GPT：

https://github.com/openai/gpt-2
BERT：

https://github.com/guotong1988/BERT-tensorflow
XLNet：

https://github.com/zihangdai/xlnet
ERNIE：

https://github.com/PaddlePaddle/ERNIE
BERT-wwm：

https://github.com/ymcui/Chinese-BERT-wwm
RoBERTa：https://github.com/brightmart/roberta_zh(中文）

https://github.com/pytorch/fairseq（英文）
ERNIE2.0：https://github.com/PaddlePaddle/ERNIE
BERT-wwm-ext：

https://drive.google.com/file/d/1buMLEjdtrXE2c4G1rpsNGWEx7lUQ0RHi/view
ALBERT：
https://github.com/brightmart/albert_zh

『参考文献』

https://www.cnblogs.com/zhaopAC/p/11219600.html

https://baijiahao.baidu.com/s?id=1652093322137148754&wfr=spider&for=pc

https://blog.csdn.net/ljp1919/article/details/100666563

https://zhuanlan.zhihu.com/p/76912493

https://www.cnblogs.com/yifanrensheng/p/13167796.html

https://zhuanlan.zhihu.com/p/70257427

https://www.jiqizhixin.com/articles/2020-04-283

https://blog.csdn.net/u012526436/article/details/101924049

https://www.sohu.com/a/330319491_657157

https://www.cnblogs.com/yifanrensheng/p/13167796.html