XLNet雖然好用，但實在太費錢了！近日，一位韓國小哥成功將簡化版的XLNet在PyTorch Wrapper實現(xiàn)，批規(guī)模僅為1，不再依賴谷歌爸爸的巨額算力，讓“窮人”也能用得起。

不久前，谷歌大腦和CMU聯(lián)合團隊提出面向NLP預訓練新方法XLNet，性能全面超越此前NLP領域的黃金標桿BERT，在20個任務上實現(xiàn)了性能的大幅提升，刷新了18個任務上的SOTA結果，可謂全面屠榜。

論文地址：

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

XLNet性能確實強大，不過還是要背靠谷歌TPU平臺的巨額算力資源。有網友做了一下簡單統(tǒng)計，按照論文中的實驗設計，XL-Large用512 TPU chips訓練了4天，也就是說，訓練時的總計算量是BERT的5倍。語料規(guī)模是BERT-large的10倍。

要知道BERT作為谷歌的親兒子，其訓練量和對計算資源的需求已經讓很多人望塵莫及?，F(xiàn)在XLNet又來了個5倍，讓人直呼用不起。

這么強勁的XLNet，只能看著流口水卻用不起，豈不是太遺憾了？

土豪有土豪的用法，窮人有窮人的訣竅。最近有個韓國小哥就成功將XLNet挪到了Pytorch框架上，可以在僅使用小規(guī)模訓練數(shù)據(jù)（批規(guī)模=1）的情況下，實現(xiàn)一個簡單的XLNet實例，并弄清XLNet架構的預訓練機制。他將實現(xiàn)方案放在了GitHub上。

要使用這個實現(xiàn)很簡單，只需導入如下代碼：

$ git clone https://github.com/graykode/xlnet-Pytorch && cd xlnet-Pytorch# To use Sentence Piece Tokenizer(pretrained-BERT Tokenizer)$ pip install pytorch_pretrained_bert$ python main.py --data ./data.txt --tokenizer bert-base-uncased --seq_len 512 --reuse_len 256 --perm_size 256 --bi_data True --mask_alpha 6 --mask_beta 1 --num_predict 85 --mem_len 384 --num_step 100

接下來對實現(xiàn)方法和超參數(shù)設置的簡單介紹，首先貼出XLNet論文中給出的預訓練超參數(shù)：

然后，作者給出了PyTorch框架下XLNet實現(xiàn)的超參數(shù)調節(jié)選項如下：

—data(String): 使用文本文件訓練，多行文本也可以。另外，將一個文件視為一個批張量。默認值: data.txt

—tokenizer(String):目前僅使用【這里】的Tokenizer作為子詞的Tokenizer（即將編入句子部分），這里可以選擇bert-base-uncased/bert-large-uncased/bert-base-cased/bert-large-cased四種Tokenizer。

默認值:bert-base-uncased

—seq_len(Integer): 序列長度。

默認值 :512

—reuse_len(Interger): 可作為記憶重復使用的token數(shù)量?？赡苁切蛄虚L度的一半。

默認值 :256

—perm_size(Interger): 最長排列長度。

默認值:256

--bi_data(Boolean): 是否設立雙向數(shù)據(jù)，如設置為“是”，biz(batch size) 參數(shù)值應為偶數(shù)。

默認值:否

—mask_alpha(Interger): 多少個token構成一個group。

默認值:6

—mask_beta(Integer):在每個group中需要mask的token數(shù)量。

默認值:1

—num_predict(Interger) :

要預測的token數(shù)量。在XLNet論文中, 這表示部分預測。

默認值:85

—mem_len(Interger): 在Transformer-XL架構中緩存的步驟數(shù)量。

默認值:384

—number_step(Interger):步驟(即Epoch)數(shù)量.。

默認值:100

XLNet：克服BERT固有局限，20項任務性能強于BERT

XLNet是一種基于新型廣義置換語言建模目標的新型無監(jiān)督語言表示學習方法。此外，XLNet采用Transformer-XL作為骨架模型，在長時間環(huán)境下的語言任務中表現(xiàn)出非常出色的性能，在多項NLP任務性能上超越了BERT，成為NLP領域的新標桿。

關于XLNet中的一些關鍵詞

1、自回歸模型與自動編碼模型

自回歸（AR）模型

自動編碼（AE）模型

2、部分預測的排列語言建模

排列語言建模

部分預測

3、具有目標感知表示的雙向自注意力模型

雙向自注意力模型

目標感知表示