R-Drop：填補(bǔ)Dropout缺陷，簡(jiǎn)單又有效的正則方法

編者按：深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基礎(chǔ)，但其在訓(xùn)練模型時(shí)會(huì)出現(xiàn)過(guò)擬合的問題，而簡(jiǎn)單易用的 Dropout 正則化技術(shù)可以防止這種問題的發(fā)生。然而 Dropout 的操作在一定程度上會(huì)使得訓(xùn)練后的模型成為一種多個(gè)子模型的組合約束。

基于此，微軟亞洲研究院與蘇州大學(xué)提出了更加簡(jiǎn)單有效的正則方法 R-Drop（Regularized Dropout）。實(shí)驗(yàn)表明，R-Drop 在5個(gè)常用的包含 NLP（自然語(yǔ)言處理） 和 CV（計(jì)算機(jī)視覺） 的任務(wù)中都取得了當(dāng)前最優(yōu)的結(jié)果。本文將介紹 R-Drop 的實(shí)施方法、作用與效果，讓大家一窺 R-Drop 的玄機(jī)。

深度神經(jīng)網(wǎng)絡(luò)（DNN）近來(lái)已經(jīng)在各個(gè)領(lǐng)域都取得了令人矚目的成功。在訓(xùn)練這些大規(guī)模的 DNN 模型時(shí)，正則化（regularization）技術(shù)，如 L2 Normalization、Batch Normalization、Dropout 等是不可缺少的模塊，以防止模型過(guò)擬合（over-fitting），同時(shí)提升模型的泛化（generalization）能力。在這其中，Dropout 技術(shù)由于只需要簡(jiǎn)單地在訓(xùn)練過(guò)程中丟棄一部分的神經(jīng)元，而成為了被最廣為使用的正則化技術(shù)。

近日，微軟亞洲研究院與蘇州大學(xué)在 Dropout [1] 的基礎(chǔ)上提出了進(jìn)一步的正則方法：Regularized Dropout，簡(jiǎn)稱R-Drop。與傳統(tǒng)作用于神經(jīng)元（Dropout）或者模型參數(shù)（DropConnect [2]）上的約束方法不同，R-Drop 作用于模型的輸出層，彌補(bǔ)了 Dropout 在訓(xùn)練和測(cè)試時(shí)的不一致性。簡(jiǎn)單來(lái)說(shuō)就是在每個(gè) mini-batch 中，每個(gè)數(shù)據(jù)樣本過(guò)兩次帶有 Dropout 的同一個(gè)模型，R-Drop 再使用 KL-divergence 約束兩次的輸出一致。所以，R-Drop 約束了由于 Dropout 帶來(lái)的兩個(gè)隨機(jī)子模型的輸出一致性。

與傳統(tǒng)的訓(xùn)練方法相比，R- Drop 只是簡(jiǎn)單增加了一個(gè) KL-divergence 損失函數(shù)項(xiàng)，并沒有其他任何改動(dòng)。雖然該方法看起來(lái)很簡(jiǎn)單，但實(shí)驗(yàn)表明，在5個(gè)常用的包含 NLP 和 CV 的任務(wù)中（一共18個(gè)數(shù)據(jù)集），R-Drop 都取得了非常不錯(cuò)的結(jié)果提升，并且在機(jī)器翻譯、文本摘要等任務(wù)上取得了當(dāng)前最優(yōu)的結(jié)果。

論文鏈接：https://arxiv.org/abs/2106.14448

GitHub 鏈接：https://github.com/dropreg/R-Drop

R-Drop方法

由于深度神經(jīng)網(wǎng)絡(luò)非常容易過(guò)擬合，因此 Dropout 方法采用了隨機(jī)丟棄每層的部分神經(jīng)元，以此來(lái)避免在訓(xùn)練過(guò)程中的過(guò)擬合問題。正是因?yàn)槊看坞S機(jī)丟棄部分神經(jīng)元，導(dǎo)致每次丟棄后產(chǎn)生的子模型都不一樣，所以 Dropout 的操作一定程度上使得訓(xùn)練后的模型是一種多個(gè)子模型的組合約束。基于 Dropout 的這種特殊方式對(duì)網(wǎng)絡(luò)帶來(lái)的隨機(jī)性，研究員們提出了 R-Drop 來(lái)進(jìn)一步對(duì)（子模型）網(wǎng)絡(luò)的輸出預(yù)測(cè)進(jìn)行了正則約束。 

圖1：R-Drop 框架，在訓(xùn)練時(shí)由 Dropout 帶來(lái)的兩次概率 P_1 和 P_2 的不同

具體來(lái)說(shuō)，當(dāng)給定訓(xùn)練數(shù)據(jù) D={x_i,y_i }_(i=1)^n 后，對(duì)于每個(gè)訓(xùn)練樣本 x_i，會(huì)經(jīng)過(guò)兩次網(wǎng)絡(luò)的前向傳播，從而得到兩次輸出預(yù)測(cè)：P_1 (y_i│x_i ), P_2 (y_i |x_i)。由于 Dropout 每次會(huì)隨機(jī)丟棄部分神經(jīng)元，因此 P_1 和 P_2 是經(jīng)過(guò)兩個(gè)不同的子網(wǎng)絡(luò)（來(lái)源于同一個(gè)模型）得到的不同的兩個(gè)預(yù)測(cè)概率（如圖1所示）。R-Drop 利用這兩個(gè)預(yù)測(cè)概率的不同，采用了對(duì)稱的 Kullback-Leibler (KL) divergence 來(lái)對(duì) P_1 和 P_2 進(jìn)行約束：

再加上傳統(tǒng)的最大似然損失函數(shù)：

最終的訓(xùn)練損失函數(shù)即為：

其中 α 是用來(lái)控制 L_KL^i 的系數(shù)，因此整個(gè)模型的訓(xùn)練非常簡(jiǎn)單。在實(shí)際實(shí)現(xiàn)中，數(shù)據(jù) x_i 不需要過(guò)兩次模型，而只需要把 x_i 在同一個(gè) batch 中復(fù)制一份即可。直觀地說(shuō)，在訓(xùn)練時(shí)，Dropout 希望每一個(gè)子模型的輸出都接近真實(shí)的分布，然而在測(cè)試時(shí)，Dropout 關(guān)閉使得模型僅在參數(shù)空間上進(jìn)行了平均，因此訓(xùn)練和測(cè)試存在不一致性。而 R-Drop 則在訓(xùn)練過(guò)程中通過(guò)刻意對(duì)于子模型之間的輸出進(jìn)行約束，來(lái)約束參數(shù)空間，讓不同的輸出都能一致，從而降低了訓(xùn)練和測(cè)試的不一致性。另外，研究員們還從理論的角度出發(fā)，闡述了 R-Drop 的約束項(xiàng)對(duì)于模型自由度的控制，從而更好地提升模型的泛化性能。

NLP+CV實(shí)驗(yàn)

為了驗(yàn)證 R-Drop 的作用，研究員們?cè)?個(gè)不同的 NLP 以及 CV 的任務(wù)：機(jī)器翻譯、文本摘要、語(yǔ)言模型、語(yǔ)言理解、圖像分類，總計(jì)包含18個(gè)數(shù)據(jù)集上，進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

1. 在機(jī)器翻譯任務(wù)上，基于最基礎(chǔ)的Transformer [3]模型，R-Drop 的訓(xùn)練在 WMT14英語(yǔ)->德語(yǔ)以及英語(yǔ)->法語(yǔ)的任務(wù)上取得了最優(yōu)的 BLEU 分?jǐn)?shù)（30.91/43.95），超過(guò)了其他各類復(fù)雜、結(jié)合預(yù)訓(xùn)練模型、或更大規(guī)模模型的結(jié)果：

表1：R-Drop 在 WMT14 英語(yǔ)->德語(yǔ)與英語(yǔ)->法語(yǔ)機(jī)器翻譯上的結(jié)果

2. 在圖像分類任務(wù)上，基于預(yù)訓(xùn)練好的 Vision Transformer（ViT）[4] 為骨架網(wǎng)絡(luò)，R-Drop 在 CIFAR-100 數(shù)據(jù)集以及 ImageNet 數(shù)據(jù)集上微調(diào)之后，ViT-B/16 和 ViT-L/16 的模型均取得了明顯的效果提升：

表2：R-Drop 基于 Vision Transformer 在 CIFAR-100、ImageNet 微調(diào)后圖像分類的結(jié)果

3. 在NLU 語(yǔ)言理解任務(wù)上，R-Drop 在預(yù)訓(xùn)練 BERT-base [5] 以及 RoBERTa-large [6] 的骨架網(wǎng)絡(luò)上進(jìn)行微調(diào)之后，在 GLEU 基礎(chǔ)數(shù)據(jù)集上輕松取得了超過(guò)1.2和0.8個(gè)點(diǎn)的平均分?jǐn)?shù)提升：

表3：R-Drop 在 GLUE 語(yǔ)言理解的驗(yàn)證集上的微調(diào)結(jié)果

4. 在文本摘要任務(wù)上，R-Drop 基于 BART [7] 的預(yù)訓(xùn)練模型，在 CNN/Daily Mail 數(shù)據(jù)上微調(diào)之后也取得了當(dāng)前最優(yōu)的結(jié)果：

表4：R-Drop 基于 BART 模型在 CNN/Daily Mail 文本摘要上微調(diào)的結(jié)果

5. 在語(yǔ)言模型任務(wù)上，基于原始 Transformer 以及 Adaptive Transformer [8]，R-Drop 的訓(xùn)練在 Wikitext-103 數(shù)據(jù)集上取得了1.79和0.80的 ppl 提升：

表5：R-Drop 在 Wikitext-103 數(shù)據(jù)上的語(yǔ)言模型結(jié)果

可以看到，R-Drop 雖然很簡(jiǎn)單，但效果非常出眾，取得了很多任務(wù)上的最優(yōu)結(jié)果，并且在文本、圖像等不同的領(lǐng)域都能通用。除此之外，研究員們還進(jìn)行了各類的分析實(shí)驗(yàn)，包括訓(xùn)練復(fù)雜度，k 步的 R-Drop、m 次的 R-Drop 等等，更進(jìn)一步對(duì) R-Drop 進(jìn)行了全面的剖析。

結(jié)語(yǔ)與展望

R-Drop 的提出基于 Dropout 的隨機(jī)性，簡(jiǎn)單有效。在該工作中，目前只對(duì)于有監(jiān)督的任務(wù)進(jìn)行了研究，未來(lái)在無(wú)監(jiān)督、半監(jiān)督學(xué)習(xí)中，以及更多不同數(shù)據(jù)類型的任務(wù)中，也值得更為深入地探索。歡迎大家使用 R-Drop 訓(xùn)練技術(shù)在各類實(shí)際的場(chǎng)景中進(jìn)行應(yīng)用。期待 R-Drop 的思想能啟發(fā)更多好的工作。

相關(guān)分享：

又是Dropout兩次！這次它做到了有監(jiān)督任務(wù)的SOTA

https://kexue.fm/archives/8496

參考文獻(xiàn)：

[1] Srivastava, Nitish, et al. "Dropout: a simple way to prevent neural networks from overfitting." The journal of machine learning research 15.1 (2014): 1929-1958.

[2] Wan, Li, et al. "Regularization of neural networks using dropconnect." International conference on machine learning. PMLR, 2013.

[3] Vaswani, Ashish, et al. "Attention is all you need." Advances in neural information processing systems. 2017.

[4] Dosovitskiy, Alexey, et al. "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale." International Conference on Learning Representations. 2020.

[5] Kenton, Jacob Devlin Ming-Wei Chang, and Lee Kristina Toutanova. "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding." Proceedings of NAACL-HLT. 2019.

[6] Liu, Yinhan, et al. "Roberta: A robustly optimized bert pretraining approach." arXiv preprint arXiv:1907.11692 (2019).

[7] Lewis, Mike, et al. "BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension." Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020.

[8] Baevski, Alexei, and Michael Auli. "Adaptive Input Representations for Neural Language Modeling." International Conference on Learning Representations. 2018.