Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/Lisennlp/TinyBert
简洁易用版TinyBert：基于Bert进行知识蒸馏的预训练语言模型
https://github.com/Lisennlp/TinyBert
Last synced: about 1 month ago
JSON representation
简洁易用版TinyBert：基于Bert进行知识蒸馏的预训练语言模型
- Host: GitHub
- URL: https://github.com/Lisennlp/TinyBert
- Owner: Lisennlp
- Created: 2020-07-07T16:34:49.000Z (over 4 years ago)
- Default Branch: master
- Last Pushed: 2020-10-24T06:08:56.000Z (about 4 years ago)
- Last Synced: 2024-08-03T09:04:48.598Z (5 months ago)
- Language: Python
- Homepage:
- Size: 2.2 MB
- Stars: 246
- Watchers: 2
- Forks: 49
- Open Issues: 6
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
- StarryDivineSky - Lisennlp/TinyBert
README
# TinyBERT
本项目是基于华为的TinyBert进行修改的，简化了数据读取的过程，方便我们利用自己的数据进行读取操作。
TinyBert的训练过程：
- 1、用通用的Bert base进行蒸馏，得到一个通用的student model base版本；
- 2、用相关任务的数据对Bert进行fine-tune得到fine-tune的Bert base模型；
- 3、用2得到的模型再继续蒸馏得到fine-tune的student model base，注意这一步的student model base要用1中通用的student model base去初始化；（词向量loss + 隐层loss + attention loss）
- 4、重复第3步，但student model base模型初始化用的是3得到的student模型。（任务的预测label loss）
General Distillation （通用版预训练语言模型蒸馏）
====================
- 预训练
```
sh script/general_train.sh
```
Task Distillation （fine-tune版预训练语言模型蒸馏）
====================
- 预训练
```
# 第一阶段
sh script/task_train.sh one
# 第二阶段
sh script/task_train.sh two
```
## 数据格式
data/train.txt, data/eval.txt,
## 数据增强
sh script/augmentation.sh
- 参数说明：
python data_augmentation.py \
--pretrained_bert_model /nas/pretrain-bert/pretrain-pytorch/bert-base-uncased \ # bert预训练模型
--data_path data/en_data.txt \ # 需要增强的数据路径
--glove_embs /nas/lishengping/datas/glove.6B.300d.txt \ # glove词向量文件
--M 15 \ # 从文本中选择M个词可能被替换
--N 30 \ # 通过bert mask预测的概率前N个词去替换
--p 0.4 \ # 某个词被替换的概率
3>&2 2>&1 1>&3 | tee logs/data_augmentation.log
论文在fine-tune阶段采用了数据增强的策略，从后面的实验中可以看出，数据增强起到了很重要的作用。
**数据扩充的过程如下:** 对于特定任务的数据中每一条文本，首先使用bert自带的方式进行bpe分词，bpe分词之后是完整单词（single-piece word），用[MASK]符号代替，然后使用bert进行预测并选择其对应的候选词N个；如果bpe（就是BertTokenizer）分词之后不是完整单词，则使用Glove词向量以及余弦相似度来选择对应的N个候选词，最后以概率p选择是否替换这个单词，从而产生更多的文本数据。
- 数据
因为懒得找中文的词向量下载，暂时用英文的glove文件和英文原始数据。中文的话只需要把预训练模型改为中文bert，glove改为中文的词向量文件即可。原始数据样式和增强后的数据样式在data/en_data.txt和data/aug_en_data.txt
## Evaluation
待续...
## 官方版本
=================1st version to reproduce our results in the paper ===========================
[General_TinyBERT(4layer-312dim)](https://drive.google.com/uc?export=download&id=1dDigD7QBv1BmE6pWU71pFYPgovvEqOOj)
[General_TinyBERT(6layer-768dim)](https://drive.google.com/uc?export=download&id=1wXWR00EHK-Eb7pbyw0VP234i2JTnjJ-x)
=================2nd version (2019/11/18) trained with more (book+wiki) and no `[MASK]` corpus =======
[General_TinyBERT_v2(4layer-312dim)](https://drive.google.com/open?id=1PhI73thKoLU2iliasJmlQXBav3v33-8z)
[General_TinyBERT_v2(6layer-768dim)](https://drive.google.com/open?id=1r2bmEsQe4jUBrzJknnNaBJQDgiRKmQjF)
We here also provide the distilled TinyBERT(both 4layer-312dim and 6layer-768dim) of all GLUE tasks for evaluation. Every task has its own folder where the corresponding model has been saved.
[TinyBERT(4layer-312dim)](https://drive.google.com/uc?export=download&id=1_sCARNCgOZZFiWTSgNbE7viW_G5vIXYg)
[TinyBERT(6layer-768dim)](https://drive.google.com/uc?export=download&id=1Vf0ZnMhtZFUE0XoD3hTXc6QtHwKr_PwS)