KDD 2021 | 用NAS實現(xiàn)任務無關且可動態(tài)調(diào)整尺寸的BERT壓縮（2）

漸進架構搜索，分桶設計與模型選擇

雖然分模塊搜索已經(jīng)大大減小了搜索空間，但是訓練超網(wǎng)絡依然需要很長的時間收斂。而且大量的模型在競爭有限的資源，將導致每個模型的評估結(jié)果都不準確，嚴重影響了架構搜索的排序性能。所以研究員們在訓練過程中的每一輪 epoch 結(jié)束時，會把搜索空間中一些沒有希望的架構裁剪掉，然后在裁剪后的搜索空間上繼續(xù)訓練。通過這種方式，可以將更多的計算資源給到更有希望的架構，進而得到更加準確的評估，這既減少了資源的浪費，又加快了搜索過程。

然而直接對整個搜索空間進行裁剪，會導致無法得到大量不同大小的架構。因為超網(wǎng)絡在搜索過程中可能偏向于大模型或者收斂快的模型，所以無約束的裁剪會使得最后得到的架構大小趨于相同。基于此，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個桶，每個桶的架構被約束在不同的參數(shù)量和延遲下。盡管不同的架構落在不同的桶里，但是在訓練的時候，它們的參數(shù)仍然是共享的。在每個迭代訓練結(jié)束的時候，研究員們會隨機從每個桶里采樣出2000個架構，同時使用超網(wǎng)絡評價它們在驗證集上的分數(shù)，并刪除一半的架構。通過重復這個過程，可以不斷地收縮搜索空間，直到每個桶里只剩下10個架構。這樣對于一個搜索模塊而言，最終就得到了100個架構。假設共有4個搜索模塊，那么就有100^4種組合方式，每一種組合方式都是一個完整的架構。

由于每個搜索模塊中的100個架構來自不同的桶，因此它們有著顯著不同的大小和延遲。所以通過組合不同的搜索模塊而得到的100^4種架構，也具有顯著不同的模型大小和延遲。

為了評估每個架構的性能，研究員們會首先評價每個搜索模塊中100個架構在驗證集上的損失。然后用不同模塊的損失直接加和作為組合架構的性能。通過這種方式，僅僅通過4*100次驗證集測試，就可以粗略得到所有架構的性能。該方法對于延遲的評估也是類似的，即先測量每個搜索模塊內(nèi)架構的延遲，然后再用不同模塊的延遲加和作為整個架構的延遲。

所以當給定任何一種關于模型大小和延遲的約束時，可以通過查表的方式快速找到性能最高的架構。這種架構本身是在上游預訓練任務中挑選出來的，因此與下游任務無關。

實驗結(jié)果

為了評估搜索得到的架構性能，研究員們重新在上游任務上訓練了這個架構，然后在各種下游任務中測試了模型的性能。

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的架構都是在 BookCorpus+English Wikipedia (16GB) 數(shù)據(jù)上進行了預訓練。為了和 BERT 的12層 Transformer 對齊，超網(wǎng)絡包含了24個子層（每一個 Transformer 層等于一層 MHA 加一層FFN）。研究員們在大量的下游任務上評估搜索出來的架構的性能，包括 GLUE 和 SQuAD 數(shù)據(jù)集，并選擇了5M，10M，30M，60M參數(shù)量的架構為例，來展示搜索出來的架構效果。

研究員們首先把 NAS-BERT 搜索出來的架構和手工設計的 BERT 架構進行了對比。從表3中可以看到，NAS-BERT 在各種模型大小及延遲條件下，都超過了手工設計的 BERT 模型。

表3：NAS-BERT 和 BERT 對比

進一步，研究員們將 NAS-BERT 和之前的模型壓縮工作進行對比。之前的模型壓縮工作主要采用了多種蒸餾技巧和訓練方式。而 NAS-BERT 只使用了簡單的兩階段蒸餾來突出其搜索出的架構優(yōu)勢，不使用復雜的蒸餾技術或訓練方法，如注意力蒸餾，逐層替換等。從表4可以看到，NAS-BERT 超過了之前的方法，證明了架構本身的優(yōu)越性。

表4：NAS-BERT 和之前的 BERT 壓縮工作對比

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驗——與不使用逐漸縮小搜索空間進行對比。從圖3的損失函數(shù)曲線來看，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來看，使用逐漸縮小搜索空間能夠幫助搜索到更好的架構。

圖3：逐漸縮小搜索空間的分離實驗

同時，研究員們還探究了縮小搜索空間的其他方法。與從架構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（具體見論文）。從表5可以看到，從架構層面縮小搜索空間更為準確，因此能搜索到更好的架構。

表5：不同逐漸縮小搜索空間的分離試驗

最后，研究員們使用了各種不同的訓練方式來訓練 NAS-BERT，并將其與 BERT 模型對比，以證明搜索的架構的魯棒性。并且研究員們還嘗試了在訓練過程中，在上游預訓練階段或下游微調(diào)階段或兩者都有的情況下，觀察 NAS-BERT 搜索的架構的魯棒性。從表6中可以看到，NAS-BERT 在各種訓練配置上，都能顯著超過手工設計的 BERT 架構。

表6：不同訓練方式的分離實驗

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

表7：部分 NAS-BERT 搜索得到的架構

微軟亞洲研究院的研究員們在本篇論文中提出的 NAS-BERT，是一種用自動架構搜索方法實現(xiàn)任務無關且動態(tài)調(diào)整尺寸的 BERT 壓縮技術。其擁有新穎的搜索空間、卷積、注意力、前饋網(wǎng)絡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雜組合方式得到模型的潛力。研究員們通過大量的比較和分離實驗，也證明了 NAS-BERT 搜索得到架構的有效性。