使用“BERT”作為編碼器和****(BERT2BERT)來改進Seq2Seq文本摘要模型

來源：Deephub Imba

Transformer 架構(gòu)由兩個主要構(gòu)建塊組成——編碼器和****——我們將它們堆疊在一起形成一個 seq2seq 模型。從頭開始訓練基于Transformer 的模型通常很困難，因為它需要大型數(shù)據(jù)集和高 GPU 內(nèi)存。我們可以使用許多具有不同目標的預訓練模型。
首先，編碼器模型（例如，BERT、RoBERTa、FNet 等）學習如何從他們閱讀的文本中創(chuàng)建固定大小的特征表示。這種表示可用于訓練網(wǎng)絡(luò)進行分類、翻譯、摘要等。具有生成能力的基于****的模型（如 GPT 系列）。可以通過在頂部添加一個線性層（也稱為“語言模型頭”）來預測下一個標記。編碼器-****模型（BART、Pegasus、MASS、...）能夠根據(jù)編碼器的表示來調(diào)節(jié)****的輸出。它可用于摘要和翻譯等任務。它是通過從編碼器到****的交叉注意力連接來完成的。

在本文中，想展示如何使用僅編碼器模型的預訓練權(quán)重來為我們的微調(diào)提供一個良好的開始。我們將使用 BERT 作為編碼器和****來訓練一個摘要模型。
Huggingface 新的 API可以混合和匹配不同的預訓練模型。這讓我們的工作變得超級簡單！但在我們在進入代碼之前先看看這個概念。應該怎么做才能使 BERT（編碼器模型）在 seq2seq 中工作？

為簡單起見，我們刪除了圖 中網(wǎng)絡(luò)的其他元素！為了進行簡單的比較，僅編碼器模型（左）的每個塊（層）都由一個自注意力和一個線性層組成。同時，encoder-decoder 網(wǎng)絡(luò)（右）在每一層也有一個 cross-attention 連接。交叉注意力層使模型能夠根據(jù)輸入來調(diào)節(jié)預測。
將 BERT 模型直接用作****是不可能的，因為構(gòu)建塊是不一樣，但是利用BERT的權(quán)值可以很容易地添加額外的連接并構(gòu)建****部分。在構(gòu)建完成后就需要微調(diào)模型來訓練這些連接和語言模型的頭部權(quán)重。（注意：語言模型的頭部位置在輸出和最后一個線性層之間——它不包括在上圖中）
我們可以使用 Huggingface 的 EncoderDecoderModel 對象來混合和匹配不同的預訓練模型。它將通過調(diào)用 .from_encoder_decoder_pretrained() 方法指定編碼器/****模型來處理添加所需的連接和權(quán)重。在下面的示例中，我們使用 BERT base 作為編碼器和****。

from transformers import EncoderDecoderModel

bert2bert = EncoderDecoderModel.from_encoder_decoder_pretrained("bert-base-uncased",
                                                              "bert-base-uncased")

由于 BERT 模型不是為文本生成而設(shè)計的，所以我們需要做一些額外的配置。下一步是設(shè)置標記器并指定句首和句尾標記。

from transformers import BertTokenizerFast

# Set tokenizer
tokenizer = BertTokenizerFast.from_pretrained("bert-base-uncased")
tokenizer.bos_token = tokenizer.cls_token
tokenizer.eos_token = tokenizer.sep_token

# Set model's config
bert2bert.config.decoder_start_token_id = tokenizer.bos_token_id
bert2bert.config.eos_token_id = tokenizer.eos_token_id
bert2bert.config.pad_token_id = tokenizer.pad_token_id

現(xiàn)在我們可以使用 Huggingface 的 Seq2Seq Trainer 對象的Seq2SeqTrainingArguments() 參數(shù)微調(diào)模型。這里可以更改和嘗試許多配置，獲得適合模型的參數(shù)組合。注意以下數(shù)值并非最優(yōu)選擇，僅用于測試！如果顯存不夠的話，則 fp16 值是非常重要的。它將使用半精度減少顯存使用。要研究的其他有用變量是 learning_rate 、 batch_size 等。

from transformers import Seq2SeqTrainingArguments, Seq2SeqTrainer

training_args = Seq2SeqTrainingArguments(
  output_dir="./",
  learning_rate=5e-5,
  evaluation_strategy="steps",
  per_device_train_batch_size=4,
  per_device_eval_batch_size=8,
  predict_with_generate=True,
  overwrite_output_dir=True,
  save_total_limit=3,
  fp16=True,
)

trainer = Seq2SeqTrainer(
  model=bert2bert,
  tokenizer=tokenizer,
  args=training_args,
  compute_metrics=compute_metrics,
  train_dataset=train_data,
  eval_dataset=val_data,
)

trainer.train()

訓練的結(jié)果如下：
在 CNN/DM 數(shù)據(jù)集上微調(diào)的 BERT-to-BERT 模型性能。我使用 Beam Search 解碼方法。使用 ROUGE 評分指標計算結(jié)果。

BART 模型是文本摘要中的 SOTA 模型，BERT seq2seq 的表現(xiàn)也很不錯！只有 1% 的差異通常不會轉(zhuǎn)化為句子質(zhì)量的巨大變化。這里我們也沒有做任何的超參數(shù)調(diào)整，如果調(diào)整優(yōu)化后會變得更好。
混合搭配方法可以讓我們進行更多的實驗。例如可以將 BERT 連接到 GPT-2 以利用 BERT 的來創(chuàng)建強大的文本表示以及 GPT 生成高質(zhì)量句子的能力。在為所有問題選擇 SOTA 模型之前，為自定義數(shù)據(jù)集使用不同的網(wǎng)絡(luò)是一種很好的做法。使用 BERT（與 BART 相比）的主要區(qū)別在于 512 個令牌輸入序列長度限制（與 1024 相比）。因此，如果數(shù)據(jù)集的輸入序列較小，它使 BERT-to-BERT 模型會是一個不錯的選擇。它訓練較小的模型會更有效，并且需要更少的資源，例如數(shù)據(jù)和 GPU 內(nèi)存。

本文的代碼在這里可以找到：

https://github.com/NLPiation/tutorial_notebooks/blob/main/summarization/hf_BERT-BERT_training.ipynb