所有你要知道的 BERT 模型压缩方法，都在这里！

作者 | Mitchell A. Gordon

编译 | xyhncepu

编辑 | 丛末

模型压缩可减少受训神经网络的冗余，由于几乎没有 BERT 或者 BERT-Large 模型可直接在 GPU 及智能手机上应用，因此模型压缩方法对于 BERT 的未来的应用前景而言，非常有价值。

本文总结了所有的 BERT 模型压缩的方法，并对该领域的论文进行罗列及分类。

相关论文可关注「AI科技评论」微信公众号，后台回复「BERT 模型压缩合集」获得打包下载链接。

一、压缩方法

1、剪枝——即训练后从网络中去掉不必要的部分。

这包括权重大小剪枝、注意力头剪枝、网络层以及其他部分的剪枝等。还有一些方法也通过在训练期间采用正则化的方式来提升剪枝能力（layer dropout）。

2、权重因子分解——通过将参数矩阵分解成两个较小矩阵的乘积来逼近原始参数矩阵。

这给矩阵施加了低秩约束。权重因子分解既可以应用于输入嵌入层（这节省了大量磁盘内存），也可以应用于前馈/自注意力层的参数（为了提高速度）。

3、知识蒸馏——又名「Student Teacher」。

在预训练/下游数据上从头开始训练一个小得多的 Transformer，正常情况下，这可能会失败，但是由于未知的原因，利用完整大小的模型中的软标签可以改进优化。

一些方法还将BERT 蒸馏成如LSTMS 等其他各种推理速度更快的架构。另外还有一些其他方法不仅在输出上，还在权重矩阵和隐藏的激活层上对 Teacher 知识进行更深入的挖掘。

4、权重共享——模型中的一些权重与模型中的其他参数共享相同的值。

例如，ALBERT 对 BERT 中的每个自注意力层使用相同的权重矩阵。

5、量化——截断浮点数，使其仅使用几个比特（这会导致舍入误差）。

模型可以在训练期间，也可以在训练之后学习量化值。

6、预训练和下游任务——一些方法仅仅在涉及到特定的下游任务时才压缩 BERT，也有一些方法以任务无关的方式来压缩 BERT。

二、论文一览

（原英文标题见文章尾部）

三、结果比较

在这里将尽我所能的对这些论文的观点进行解读，同时主要关注以下指标：参数缩减，推理加速 1 和准确性 2, 3。

若需要选一个赢家，我认为是 ALBERT，DistilBERT，MobileBERT，Q-BERT，LayerDrop和RPP。你也可以将其中一些方法叠加使用 4，但是有些剪枝相关的论文，它们的科学性要高于实用性，所以我们不妨也来验证一番：

四、相关论文和博文推荐

• 《稀疏 Transformer：通过显式选择集中注意力》（Sparse Transformer: Concentrated Attention Through Explicit Selection），论文链接：https://openreview.net/forum?id=Hye87grYDH）
• 《使用四元数网络进行轻量级和高效的神经自然语言处理》（Lightweight and Efficient Neural Natural Language Processing with Quaternion Networks，论文链接：http://arxiv.org/abs/1906.04393）
• 《自适应稀疏 Transformer》（Adaptively Sparse Transformers，论文链接：https://www.semanticscholar.org/paper/f6390beca54411b06f3bde424fb983a451789733）
• 《压缩 BERT 以获得更快的预测结果》（Compressing BERT for Faster Prediction，博文链接：https://blog.rasa.com/compressing-bert-for-faster-prediction-2/amp/）

最后的话：

1、请注意，并非所有压缩方法都能使模型更快。众所周知，非结构化剪枝很难通过 GPU 并行来加速。其中一篇论文认为，在 Transformers 中，计算时间主要由 Softmax 计算决定，而不是矩阵乘法。

2、如果我们能拿出一个数字来记录我们真正关心的事情，那将会很棒，就像 F1。

3、其中一些百分比是根据 BERT-Large 而不是 BERT-Base 衡量的，仅供参考。

4、不同的压缩方法如何交互，是一个开放的研究问题。

相关论文列表：

[1] Compressing BERT: Studying the Effects of Weight Pruning on Transfer Learning

[2] Are Sixteen Heads Really Better than One?

[3] Pruning a BERT-based Question Answering Model

[4] Reducing Transformer Depth on Demand with Structured Dropout

[5] Reweighted Proximal Pruning for Large-Scale Language Representation

[6] Structured Pruning of Large Language Models

[7] ALBERT: A Lite BERT for Self-supervised Learning of Language Representations

[8] Extreme Language Model Compression with Optimal Subwords and Shared Projections

[9] DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter

[10] Distilling Task-Specific Knowledge from BERT into Simple Neural Networks

[11] Distilling Transformers into Simple Neural Networks with Unlabeled Transfer Data

[12] Attentive Student Meets Multi-Task Teacher: Improved Knowledge Distillation for Pretrained Models

[13] Patient Knowledge Distillation for BERT Model Compression

[14] TinyBERT: Distilling BERT for Natural Language Understanding

[15] MobileBERT: Task-Agnostic Compression of BERT by Progressive Knowledge Transfer

[16] Q8BERT: Quantized 8Bit BERT

[17] Q-BERT: Hessian Based Ultra Low Precision Quantization of BERT

Via http://mitchgordon.me/machine/learning/2019/11/18/all-the-ways-to-compress-BERT.html