KDD 2021 | 用NAS實(shí)現(xiàn)任務(wù)無(wú)關(guān)且可動(dòng)態(tài)調(diào)整尺寸的BERT壓縮（2）

漸進(jìn)架構(gòu)搜索，分桶設(shè)計(jì)與模型選擇

雖然分模塊搜索已經(jīng)大大減小了搜索空間，但是訓(xùn)練超網(wǎng)絡(luò)依然需要很長(zhǎng)的時(shí)間收斂。而且大量的模型在競(jìng)爭(zhēng)有限的資源，將導(dǎo)致每個(gè)模型的評(píng)估結(jié)果都不準(zhǔn)確，嚴(yán)重影響了架構(gòu)搜索的排序性能。所以研究員們?cè)谟?xùn)練過(guò)程中的每一輪 epoch 結(jié)束時(shí)，會(huì)把搜索空間中一些沒(méi)有希望的架構(gòu)裁剪掉，然后在裁剪后的搜索空間上繼續(xù)訓(xùn)練。通過(guò)這種方式，可以將更多的計(jì)算資源給到更有希望的架構(gòu)，進(jìn)而得到更加準(zhǔn)確的評(píng)估，這既減少了資源的浪費(fèi)，又加快了搜索過(guò)程。

然而直接對(duì)整個(gè)搜索空間進(jìn)行裁剪，會(huì)導(dǎo)致無(wú)法得到大量不同大小的架構(gòu)。因?yàn)槌W(wǎng)絡(luò)在搜索過(guò)程中可能偏向于大模型或者收斂快的模型，所以無(wú)約束的裁剪會(huì)使得最后得到的架構(gòu)大小趨于相同?；诖?，研究員們提出了分桶裁剪的方法，并且采用具體的數(shù)字為例，闡述了在分桶裁剪過(guò)程中，搜索空間是如何變化的。

首先研究員們將搜索空間均勻地分成10個(gè)桶，每個(gè)桶的架構(gòu)被約束在不同的參數(shù)量和延遲下。盡管不同的架構(gòu)落在不同的桶里，但是在訓(xùn)練的時(shí)候，它們的參數(shù)仍然是共享的。在每個(gè)迭代訓(xùn)練結(jié)束的時(shí)候，研究員們會(huì)隨機(jī)從每個(gè)桶里采樣出2000個(gè)架構(gòu)，同時(shí)使用超網(wǎng)絡(luò)評(píng)價(jià)它們?cè)隍?yàn)證集上的分?jǐn)?shù)，并刪除一半的架構(gòu)。通過(guò)重復(fù)這個(gè)過(guò)程，可以不斷地收縮搜索空間，直到每個(gè)桶里只剩下10個(gè)架構(gòu)。這樣對(duì)于一個(gè)搜索模塊而言，最終就得到了100個(gè)架構(gòu)。假設(shè)共有4個(gè)搜索模塊，那么就有100^4種組合方式，每一種組合方式都是一個(gè)完整的架構(gòu)。

由于每個(gè)搜索模塊中的100個(gè)架構(gòu)來(lái)自不同的桶，因此它們有著顯著不同的大小和延遲。所以通過(guò)組合不同的搜索模塊而得到的100^4種架構(gòu)，也具有顯著不同的模型大小和延遲。

為了評(píng)估每個(gè)架構(gòu)的性能，研究員們會(huì)首先評(píng)價(jià)每個(gè)搜索模塊中100個(gè)架構(gòu)在驗(yàn)證集上的損失。然后用不同模塊的損失直接加和作為組合架構(gòu)的性能。通過(guò)這種方式，僅僅通過(guò)4*100次驗(yàn)證集測(cè)試，就可以粗略得到所有架構(gòu)的性能。該方法對(duì)于延遲的評(píng)估也是類(lèi)似的，即先測(cè)量每個(gè)搜索模塊內(nèi)架構(gòu)的延遲，然后再用不同模塊的延遲加和作為整個(gè)架構(gòu)的延遲。

所以當(dāng)給定任何一種關(guān)于模型大小和延遲的約束時(shí)，可以通過(guò)查表的方式快速找到性能最高的架構(gòu)。這種架構(gòu)本身是在上游預(yù)訓(xùn)練任務(wù)中挑選出來(lái)的，因此與下游任務(wù)無(wú)關(guān)。

實(shí)驗(yàn)結(jié)果

為了評(píng)估搜索得到的架構(gòu)性能，研究員們重新在上游任務(wù)上訓(xùn)練了這個(gè)架構(gòu)，然后在各種下游任務(wù)中測(cè)試了模型的性能。

在搜索階段使用的教師模型是 BERT 110M 的模型。教師模型和搜索出來(lái)的架構(gòu)都是在 BookCorpus+English Wikipedia (16GB) 數(shù)據(jù)上進(jìn)行了預(yù)訓(xùn)練。為了和 BERT 的12層 Transformer 對(duì)齊，超網(wǎng)絡(luò)包含了24個(gè)子層（每一個(gè) Transformer 層等于一層 MHA 加一層FFN）。研究員們?cè)诖罅康南掠稳蝿?wù)上評(píng)估搜索出來(lái)的架構(gòu)的性能，包括 GLUE 和 SQuAD 數(shù)據(jù)集，并選擇了5M，10M，30M，60M參數(shù)量的架構(gòu)為例，來(lái)展示搜索出來(lái)的架構(gòu)效果。

研究員們首先把 NAS-BERT 搜索出來(lái)的架構(gòu)和手工設(shè)計(jì)的 BERT 架構(gòu)進(jìn)行了對(duì)比。從表3中可以看到，NAS-BERT 在各種模型大小及延遲條件下，都超過(guò)了手工設(shè)計(jì)的 BERT 模型。

表3：NAS-BERT 和 BERT 對(duì)比

進(jìn)一步，研究員們將 NAS-BERT 和之前的模型壓縮工作進(jìn)行對(duì)比。之前的模型壓縮工作主要采用了多種蒸餾技巧和訓(xùn)練方式。而 NAS-BERT 只使用了簡(jiǎn)單的兩階段蒸餾來(lái)突出其搜索出的架構(gòu)優(yōu)勢(shì)，不使用復(fù)雜的蒸餾技術(shù)或訓(xùn)練方法，如注意力蒸餾，逐層替換等。從表4可以看到，NAS-BERT 超過(guò)了之前的方法，證明了架構(gòu)本身的優(yōu)越性。

表4：NAS-BERT 和之前的 BERT 壓縮工作對(duì)比

為了證明縮小搜索空間方法的有效性，研究員們又做了一組實(shí)驗(yàn)——與不使用逐漸縮小搜索空間進(jìn)行對(duì)比。從圖3的損失函數(shù)曲線(xiàn)來(lái)看，使用逐漸縮小搜索空間顯著加快了收斂速度。從最終搜索得到的架構(gòu)來(lái)看，使用逐漸縮小搜索空間能夠幫助搜索到更好的架構(gòu)。

圖3：逐漸縮小搜索空間的分離實(shí)驗(yàn)

同時(shí)，研究員們還探究了縮小搜索空間的其他方法。與從架構(gòu)層面縮小搜索空間不同，研究員們嘗試了從操作層面縮小搜索空間的方法（具體見(jiàn)論文）。從表5可以看到，從架構(gòu)層面縮小搜索空間更為準(zhǔn)確，因此能搜索到更好的架構(gòu)。

表5：不同逐漸縮小搜索空間的分離試驗(yàn)

最后，研究員們使用了各種不同的訓(xùn)練方式來(lái)訓(xùn)練 NAS-BERT，并將其與 BERT 模型對(duì)比，以證明搜索的架構(gòu)的魯棒性。并且研究員們還嘗試了在訓(xùn)練過(guò)程中，在上游預(yù)訓(xùn)練階段或下游微調(diào)階段或兩者都有的情況下，觀(guān)察 NAS-BERT 搜索的架構(gòu)的魯棒性。從表6中可以看到，NAS-BERT 在各種訓(xùn)練配置上，都能顯著超過(guò)手工設(shè)計(jì)的 BERT 架構(gòu)。

表6：不同訓(xùn)練方式的分離實(shí)驗(yàn)

表7展示了部分 NAS-BERT 搜索得到的架構(gòu)。可以發(fā)現(xiàn)，搜索出來(lái)的架構(gòu)都由不同的操作且復(fù)雜的方式組成，這證明了 NAS-BERT 能夠搜索出更加新穎的新架構(gòu)。

表7：部分 NAS-BERT 搜索得到的架構(gòu)

微軟亞洲研究院的研究員們?cè)诒酒撐闹刑岢龅?NAS-BERT，是一種用自動(dòng)架構(gòu)搜索方法實(shí)現(xiàn)任務(wù)無(wú)關(guān)且動(dòng)態(tài)調(diào)整尺寸的 BERT 壓縮技術(shù)。其擁有新穎的搜索空間、卷積、注意力、前饋網(wǎng)絡(luò)以及不同的隱藏層大小。加上高效的搜索方法，NAS-BERT 可以探索出不同操作的復(fù)雜組合方式得到模型的潛力。研究員們通過(guò)大量的比較和分離實(shí)驗(yàn)，也證明了 NAS-BERT 搜索得到架構(gòu)的有效性。