| 导语 BERT模型在多种下游任务表现优异，但庞大的模型结果也带来了训练及推理速度过慢的问题，难以满足对实时响应速度要求高的场景，模型轻量化就显得非常重要。因此，笔者对BERT系列模型进行剪枝，并部署到实际项目中，在满足准确率的前提下提高推理速度。

一. 模型轻量化

模型轻量化是业界一直在探索的一个课题，尤其是当你使用了BERT系列的预训练语言模型，inference速度始终是个绕不开的问题，而且训练平台可能还会对训练机器、速度有限制，训练时长也是一个难题。

目前业界上主要的轻量化方法如下：

• 蒸馏：将大模型蒸馏至小模型，思路是先训练好一个大模型，输入原始数据得到logits作为小模型的soft label，而原始数据的标签则为hard label，使用soft label和hard label训练小模型，旨在将大模型的能力教给小模型。
• 剪枝：不改变模型结构，减小模型的维度，以减小模型量级。
• 量化：将高精度的浮点数转化为低精度的浮点数，例如4-bit、8-bit等。
• OP重建：合并底层操作，加速矩阵运算。
• 低秩分解：将原始的权重张量分解为多个张量，并对分解张量进行优化。

我们团队对这些轻量化方法都进行了尝试，简单总结如下：

• 蒸馏：可以很好地将大模型的能力教给小模型，将12层BERT蒸馏至2层BERT，可以达到非常接近的效果。但这种方法需要先训练出一个大模型。

• 剪枝：速度有非常显著的提升，结合蒸馏，可以达到很好的效果；即使不结合蒸馏，也能达到不错的效果。

• 量化：主要用于模型压缩，可以将大文件压缩成小文件存储，方便部署于移动端，但是在速度上无明显提升。

• OP重建：有明显加速功能，但是操作较为复杂，需要修改底层C++代码。

• 低秩分解：基于PCA算法，有一倍多的加速作用，但是效果也下降了许多。

在这些方法中，剪枝显得非常简单又高效，如果你想快速得对BERT模型进行轻量化，不仅inference快，还希望训练快，模型文件小，效果基本维持，那么剪枝将是一个非常好的选择，本文将介绍如何为BERT系列模型剪枝，并附上代码，教你十分钟剪枝。

二. BERT剪枝

本节先重温BERT[1]及其变体AL-BERT[2]的模型结构，分析在哪里地方参数量大，再介绍如何为这类结构进行剪枝。

1. BERT模型主要组件

• Input Embedding：词嵌入，包含token、segment、position三种嵌入方式；
• Multi-Head Attention：多头注意力机制，共12头；
• Feed Forward：全连接层，对注意力的输出向量做进一步映射；
• Output pooler：对hidden向量进行平均/或取cls，得到输出向量，用于下游任务。

按照默认的维度配置，得到的模型参数大小如下（此处仅展示一层）：

可以看到BERT模型的参数维度都比较大，都是768起步，而在每一层的结构中，全连接层的3072维，是造成该层参数爆炸的主要原因。单层的参数量已经比普通模型大了许多，当该层参数量再乘以12，杀伤指数更是暴增。

海量的参数加上海量的无监督训练数据，BERT模型取得奇效，但我们在训练我们的下游任务时，是否真的需要这么大的模型呢？

可以看到，AL-BERT对Embedding参数进行了因式分解，分解成了2个小矩阵，先将Embedding矩阵投射到一个更小的矩阵E，再投影到隐藏空间H中，减少了参数量（注：同时AL-BERT进行了跨层参数共享，所以保存的参数量少，得到的模型文件非常小），大大加快了模型的训练速度，但遗憾的是AL-BERT并没有提高inference速度。

2. 剪枝方法

基于以上分析，针对BERT系列模型的结构，可采取的剪枝方法如下：

1）层数剪枝

在BERT模型的应用中，我们一般取第12层的hidden向量用于下游任务。而低层向量基本上包含了基础信息，我们可以取低层的输出向量接到任务层，进行微调。

（跟许老板讨论过一个论文，BERT的低层向量可以学习到一些基础的词法信息，高层向量可以学到更多跟任务相关的特征，暂时找不到这篇论文了，找到会补上）

2）维度剪枝

接下来对每一层的维度进行剪枝，ok，全连接层的3072维，在一堆768中成功引起了我们的注意：

intermediate层的参数量 =（768+1）*3072 *2 = 4724736

假设我们剪到768维，全连接层的参数量可以减少75%，假如剪到384维，全连接的参数量可以减少87.5%！

3）Attention剪枝

在12头注意力中，每头维度是64，最终叠加注意力向量共768维。

相关研究[3]表明：

• 在inference阶段，大部分head在被单独去掉的时候，效果不会损失太多；
• 将某一层的head只保留1个，其余的head去掉，对效果基本不会有什么影响。

因此，我们可以尝试只保留1-2层模型，裁剪ffn维度，减少head个数，在裁剪大量参数的同时维持精度不会下降太多。

三. 工程实现

首先我们看下市面上有没有啥方便的工具可以剪枝：

• Tensorflow Pruning API：tensorflow官方剪枝工具，该工具基于Keras，如果要用在Tensorflow的模型中，需要将Tensorflow模型转化为Keras模型，诸多不便。
• Pocketflow Pruning API：腾讯开源的模型压缩框架，基于tensorflow，为卷积层提供通道剪枝，无法用于BERT结构。
• PaddlePaddle Pruning API：基于百度自家研发的深度学习框架。

这些工具都不适合使用，那就让我们自己来动手剪枝吧：

• 简单方法：直接改配置文件的参数设置，不加载谷歌pretrain好的语言模型，使用自己的数据重新pretrain语言模型，再加载该模型进行task-specific fine-tune；
• 进阶方法：在fine-tune的时候，首先随机初始化参数，假设从原始的m维裁剪到了n维，那么取预训练BERT模型相应的前n维赋值给剪枝后的参数。
• 终极方法：在pretrain阶段，取通用BERT模型前n维参数进行赋值再train一遍；在fine-tune阶段，就可以直接加载train好的模型进行微调。

下面进入了超级简单的代码环节！关键代码仅20行！

1）首先，将谷歌pretrain的模型参数预存好，保存到一个json文件中：

2）参数赋值，在model_fn_builder函数中，加载预存的参数进行剪枝赋值：

是的！剪枝就是如此简单！从前笔者为了多方面做对比实验（例如，第一层剪到768维，第2层剪到384维），强行修改了BERT的模型代码，传入一个字典进行剪枝，迁移到另一个BERT变体模型就不太方便。

最后附上部分实验结果（时间可能会有所波动）：

• 不要怀疑，为什么BERT效果这么差，因为这份结果是拿口语化badcase测试的，与训练集相符合的验证集可以到达99%的准确率~
• AL-BERT训练速度起飞，在同等训练数据、模型层数、维度基本等同的前提下，1层AL-BERT 1.5小时即可收敛，而1层BERT模型需要4个小时！在本次场景下，BERT模型收敛得比较慢，这一战，AL-BERT胜！
• 取前n维向量的剪枝方法是否过于粗暴？是有点，我们也简单尝试过，对权重根据绝对值进行排序裁剪，但结果相差不大。或许可以继续优化~

小结：对BERT系列模型来说，剪枝是一个非常不错的轻量化方法，很多下游任务可以不需要这么庞大的模型，也能达到很好的效果。

References

• Devlin J , Chang M W , Lee K , et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[J]. 2018.
• Lan Z , Chen M , Goodman S , et al. ALBERT: A Lite BERT for Self-supervised Learning of Language Representations[J]. 2019.
• Michel P, Levy O, Neubig G. Are Sixteen Heads Really Better than One?[J]. arXiv preprint arXiv:1905.10650, 2019.

文章来源于腾讯云开发者社区，点击查看原文