1

前言

大家現(xiàn)在打比賽對預(yù)訓練模型非常喜愛，基本上作為NLP比賽基線首選（圖像分類也有預(yù)訓練模型）。預(yù)訓練模型雖然很強，可能通過簡單的微調(diào)就能給我們帶來很大提升，但是大家會發(fā)現(xiàn)比賽做到后期，bert等預(yù)訓練模型煉丹一定程度的時候很難有所提升，分數(shù)達到了瓶頸，這個時候需要針對具體的任務(wù)如何進行微調(diào)使用，就涉及到了考經(jīng)驗積累的tricks。

這篇論文做了非常大的充足實驗，為我們提供了寶貴的BERT微調(diào)經(jīng)驗及方法論，當需要應(yīng)用BERT到具體的現(xiàn)實任務(wù)上時，可以參照這篇論文提供的調(diào)參路線進行優(yōu)化，我在NLP比賽中也屢試不爽，總有一個trick是你的菜，推薦大家讀一讀這篇論文！

2

論文摘要

這篇論文的主要目的在于在文本分類任務(wù)上探索不同的BERT微調(diào)方法并提供一種通用的BERT微調(diào)解決方法。這篇論文從三種路線進行了探索：（1） BERT自身的微調(diào)策略，包括長文本處理、學習率、不同層的選擇等方法；（2） 目標任務(wù)內(nèi)、領(lǐng)域內(nèi)及跨領(lǐng)域的進一步預(yù)訓練BERT；（3） 多任務(wù)學習。微調(diào)后的BERT在七個英文數(shù)據(jù)集及搜狗中文數(shù)據(jù)集上取得了當前最優(yōu)的結(jié)果。有興趣的朋友可以點擊上面的實驗代碼，跑一跑玩一玩~

3

論文背景與研究動機

文本分了是NLP中非常經(jīng)典的任務(wù)，就是判斷給定的一個文本所屬的具體類別，比如判斷文本情感是正向還是負向。盡管已經(jīng)有相關(guān)的系研究工作表明基于大語料預(yù)訓練模型可以對文本分類以及其他NLP任務(wù)有非常不錯的效果收益和提升，這樣做的一個非常大的好處我們不需要從頭開始訓練一個新的模型，節(jié)省了很大資源和時間。

一種常見的預(yù)訓練模型就是我們常見的詞嵌入，比如Word2Vec，Glove向量，或者一詞多義詞向量模型Cove和ELMo，這些詞向量經(jīng)常用來當做NLP任務(wù)的附加特征。另一種預(yù)訓練模型是句子級別上的向量化表示，如ULMFiT。其他的還有OpenAI GPT及BERT。

雖然BERT在許多自然語言理解任務(wù)上取得了驚人的成績，但是它的潛力還尚未被完全探索出來。很少有研究來進一步改進BERT在目標任務(wù)上的性能。這篇論文的主要目的就是通過探索多種方式最大化地利用BERT來增強其在文本分類任務(wù)上的性能。本篇論文的主要貢獻如下：

（1）提出了一個通用的解決方案來微調(diào)預(yù)訓練的 BERT 模型，它包括三個步驟：（1）進一步預(yù)訓練 BERT任務(wù)內(nèi)訓練數(shù)據(jù)或領(lǐng)域內(nèi)數(shù)據(jù)；（2） 如果有多個相關(guān)任務(wù)可用，可選用多任務(wù)學習微調(diào) BERT；（3） 為目標任務(wù)微調(diào)BERT。

（2）本文研究了 BERT 在目標任務(wù)上的微調(diào)方法，包括長文本預(yù)處理、逐層選擇、逐層學習率、災(zāi)難性遺忘

（3）我們在七個廣泛研究的英文文本分類數(shù)據(jù)集和一個中文新聞分類數(shù)據(jù)集上取得了SOTA成果

4

論文核心

Fine-Tuning Strategies：當我們?yōu)槟繕巳蝿?wù)微調(diào) BERT 時，有很多方法可以使用 BERT。例如，BERT 的不同層捕獲不同級別的語義和句法信息，哪一層更適合目標任務(wù)？我們?nèi)绾芜x擇更好的優(yōu)化算法和學習率？

Further Pre-training：BERT 在通用域中訓練，其數(shù)據(jù)分布與目標域不同。一個自然的想法是使用目標域數(shù)據(jù)進一步預(yù)訓練 BERT。這個真的非常有效，在微調(diào)達到一定瓶頸之后，可以嘗試下在比賽語料上ITPT，也就是繼續(xù)預(yù)訓練。在海華閱讀理解比賽以及基于文本挖掘的企業(yè)隱患排查質(zhì)量分析模型都得到了成功驗證~

Multi-Task Fine-Tuning：在沒有預(yù)先訓練的 LM 模型的情況下，多任務(wù)學習已顯示出其利用多個任務(wù)之間共享知識優(yōu)勢的有效性。當目標域中有多個可用任務(wù)時，一個有趣的問題是，在所有任務(wù)上同時微調(diào) BERT 是否仍然帶來好處。

5

微調(diào)策略

1. 處理長文本我們知道BERT 的最大序列長度為 512，BERT 應(yīng)用于文本分類的第一個問題是如何處理長度大于 512 的文本。本文嘗試了以下方式處理長文章。

Truncation methods 截斷法文章的關(guān)鍵信息位于開頭和結(jié)尾。我們可以使用三種不同的截斷文本方法來執(zhí)行 BERT 微調(diào)。

head-only： keep the first 510 tokens 頭部510個字符，加上兩個特殊字符剛好是512 ;

tail-only： keep the last 510 tokens;尾部510個字符，同理加上兩個特殊字符剛好是512 ;

head+tail： empirically select the first 128and the last 382 tokens.：尾部結(jié)合

Hierarchical methods 層級法輸入的文本首先被分成k = L/510個片段，喂入 BERT 以獲得 k 個文本片段的表示向量。每個分數(shù)的表示是最后一層的 ［CLS］ 標記的隱藏狀態(tài)，然后我們使用均值池化、最大池化和自注意力來組合所有分數(shù)的表示。

上表的結(jié)果顯示，head+tail的截斷法在IMDb和Sogou數(shù)據(jù)集上表現(xiàn)最好。后續(xù)的實驗也是采用這種方式進行處理。

2. 不同層的特征BERT 的每一層都捕獲輸入文本的不同特征。文本研究了來自不同層的特征的有效性， 然后我們微調(diào)模型并記錄測試錯誤率的性能。

我們可以看到：最后一層表征效果最好；最后4層進行max-pooling效果最好3. 災(zāi)難性遺忘Catastrophic forgetting （災(zāi)難性遺忘）通常是遷移學習中的常見詬病，這意味著在學習新知識的過程中預(yù)先訓練的知識會被遺忘。因此，本文還研究了 BERT 是否存在災(zāi)難性遺忘問題。我們用不同的學習率對 BERT 進行了微調(diào)，發(fā)現(xiàn)需要較低的學習率，例如 2e-5，才能使 BERT 克服災(zāi)難性遺忘問題。在 4e-4 的較大學習率下，訓練集無法收斂。

這個也深有體會，當預(yù)訓練模型失效不能夠收斂的時候多檢查下超參數(shù)是否設(shè)置有問題。4. Layer-wise Decreasing Layer Rate 逐層降低學習率下表 顯示了不同基礎(chǔ)學習率和衰減因子在 IMDb 數(shù)據(jù)集上的性能。我們發(fā)現(xiàn)為下層分配較低的學習率對微調(diào) BERT 是有效的，比較合適的設(shè)置是 ξ=0.95 和 lr=2.0e-5

為不同的BERT設(shè)置不同的學習率及衰減因子，BERT的表現(xiàn)如何？把參數(shù)θ hetaθ劃分成{ θ 1 ， … ， θ L } { heta^1，dots， heta^L}{θ1，…，θL}，其中θ l heta^lθl

6

ITPT：繼續(xù)預(yù)訓練

Bert是在通用的語料上進行預(yù)訓練的，如果要在特定領(lǐng)域應(yīng)用文本分類，數(shù)據(jù)分布一定是有一些差距的。這時候可以考慮進行深度預(yù)訓練。

Within-task pre-training：Bert在訓練語料上進行預(yù)訓練In-domain pre-training：在同一領(lǐng)域上的語料進行預(yù)訓練Cross-domain pre-training：在不同領(lǐng)域上的語料進行預(yù)訓練

Within-task pretraining

BERT-ITPT-FiT 的意思是“BERT + with In-Task Pre-Training + Fine-Tuning”，上圖表示IMDb 數(shù)據(jù)集上進行不同步數(shù)的繼續(xù)預(yù)訓練是有收益的。2 In-Domain 和 Cross-Domain Further Pre-Training

我們發(fā)現(xiàn)幾乎所有進一步的預(yù)訓練模型在所有七個數(shù)據(jù)集上的表現(xiàn)都比原始 BERT 基礎(chǔ)模型。一般來說，域內(nèi)預(yù)訓練可以帶來比任務(wù)內(nèi)預(yù)訓練更好的性能。在小句子級 TREC 數(shù)據(jù)集上，任務(wù)內(nèi)預(yù)訓練會損害性能，而在使用 Yah 的領(lǐng)域預(yù)訓練中。Yah. A.語料庫可以在TREC上取得更好的結(jié)果。

這篇論文與其他模型進行了比較，結(jié)果如下表所示：

我們可以看到ITPT和IDPT以及CDPT的錯誤率相比其他模型在不同數(shù)據(jù)集有不同程度下降。

7

多任務(wù)微調(diào)

所有任務(wù)都會共享BERT層及Embedding層，唯一不共享的層就是最終的分類層，每個任務(wù)都有各自的分類層。

上表表明對于基于BERT多任務(wù)微調(diào)，效果有所提升，但是對于CDPT的多任務(wù)微調(diào)是有所下降的，所以說多任務(wù)學習對于改進對相關(guān)文本分類子任務(wù)的泛化可能不是必要的。

8

小樣本學習 Few-Shot Learning

實驗表明：BERT能夠為小規(guī)模數(shù)據(jù)帶來顯著的性能提升。

9

BERT Large模型上進一步預(yù)訓練

實驗結(jié)果表明：在特定任務(wù)上微調(diào)BERT Large模型能夠獲得當前最優(yōu)的結(jié)果。

接下來給大家?guī)砀韶洸糠郑翰煌瑢W習率策略的使用

不同學習率策略

Constant Schedule

Constant Schedule with Warmup

Cosine with Warmup

Cosine With Hard Restarts

Linear Schedule with Warmup

Polynomial Decay with Warmup

參考資料

一起讀論文 | 文本分類任務(wù)的BERT微調(diào)方法論

NLP重鑄篇之BERT如何微調(diào)文本分類

【論文解析】如何將Bert更好地用于文本分類（How to Fine-Tune BERT for Text Classification？）

How to Fine-Tune BERT for Text Classification 論文筆記

Bert微調(diào)技巧實驗大全

論文閱讀筆記：這篇文章教你在文本分類任務(wù)上微調(diào)BERT

How to Fine-Tune BERT for Text Classification？讀論文-如何讓Bert在finetune小數(shù)據(jù)集時更“穩(wěn)”一點

論文標題：How to Fine-Tune BERT for Text Classification？中文

中文標題：如何微調(diào) BERT 進行文本分類？

論文作者：復(fù)旦大學邱錫鵬老師課題組

實驗代碼：https://github.com/xuyige/BERT4doc-Classification

編輯：jq