摘要
我们首先提出了一种新颖的 Transformer 蒸馏方法，该方法专为基于 Transformer 模型的知識蒸馏（Knowledge Distillation, KD）而设计。借助这一新的 KD 方法，大型"教师"BERT 中编码的大量知识可以有效地迁移到小型"学生"TinyBERT 中。随后，我们引入了一种新的两阶段学习框架，用于 TinyBERT，该框架在预训练阶段和特定任务学习阶段均执行 Transformer 蒸馏。该框架确保了 TinyBERT 能够捕获 BERT 中通用领域知识以及特定任务知识。
introduce
为了构建具有竞争力的小型 BERT（TinyBERT），我们首先提出了一种新的 Transformer 蒸馏方法，以蒸馏嵌入在教师 BERT 中的知识。具体而言，我们设计了三种类型的损失函数，以拟合来自 BERT 不同层的多种表示：1）嵌入层的输出；2）由 Transformer 层派生的隐藏状态和注意力矩阵；3）由预测层输出的 logit 值。基于注意力的拟合方法受到最新研究（Clark 等，2019）的启发，该研究发现 BERT 所学得的注意力权重能够捕捉大量的语言学知识，因此有助于将语言学知识从教师 BERT 有效地迁移至学生模型 TinyBERT。随后，我们提出了一种新颖的两阶段学习框架，包括通用蒸馏和任务特定蒸馏，如图 1 所示。在通用蒸馏阶段，未经微调的原始 BERT 作为教师模型。学生模型 TinyBERT 通过在通用领域语料库上应用所提出的 Transformer 蒸馏方法，来模仿教师模型的行为。此后，我们获得了一个通用 TinyBERT，并将其用作进一步蒸馏任务中 student 模型的初始化。在任务特定蒸馏阶段，我们首先进行数据增强，然后使用微调后的 BERT 作为教师模型，在增强后的数据集上进行蒸馏。需要指出的是，这两个阶段对于提升 TinyBERT 的性能和泛化能力均至关重要。
本项工作的主要贡献如下：1）我们提出了一种新的 Transformer 蒸馏方法，旨在促使教师 BERT 中编码的语言知识能够充分迁移至 TinyBERT；2）我们提出了一种新颖的两阶段学习框架，在预训练和微调两个阶段均执行所提出的 Transformer 蒸馏，从而确保 TinyBERT 能够同时吸收教师 BERT 的通用领域知识与特定任务知识。
2 Preliminaries
知识蒸馏（KD）旨在将大型教师网络 T 的知识迁移至小型学生网络 S。学生网络通过模仿教师网络的行为进行训练。令 fTf^TfT 和 fSf^SfS 分别表示教师网络和学生网络的行为函数。行为函数的目标是将网络输入转换为具有信息性的表示，其可以定义为网络中任意层的输出。在 Transformer 蒸馏的语境下，MHA 层或 FFN 层的输出，或某些中间表示（例如注意力矩阵 A）均可用作行为函数。形式上，知识蒸馏可建模为最小化以下目标函数：
3 Method
3.1 Transformer Distillation
（1）Transformer 层蒸馏包括基于注意力机制的蒸馏和基于隐藏状态的蒸馏，如图 2 所示。具体而言，学生模型学习拟合教师网络中的多头注意力权重矩阵， 在本工作中，我们使用（未归一化的 ）注意力矩阵 AiA_iAi 作为拟合目标，而非其 softmax 输出 softmax(Ai)\text{softmax}(A_i)softmax(Ai)，因为我们的实验表明，前者具有更快的收敛速度和更优的性能。
（2）Embedding-layer Distillation
在本文中，它们与隐藏状态矩阵具有相同的形状。矩阵 W_e 是一种线性变换，其作用类似于 W_h。
（3）输出蒸馏
预测层蒸馏。除了模仿中间层的行为之外，我们还采用知识蒸馏的方法，使学生模型拟合教师模型的预测结果，如 Hinton 等人（2015）所述。具体而言，我们通过惩罚学生网络 logits 与教师网络 logits 之间的CE损失来实现这一目标。
3.2 TinyBERT Learning
General Distillation-->然而，由于隐藏层/嵌入层大小以及网络层数的显著减少，通用 TinyBERT 的整体性能通常劣于 BERT。
Task-specific Distillation. --> 为此，我们提出通过任务特定蒸馏来生成具有竞争力的微调版 TinyBERT。在任务特定蒸馏中，我们在增强的任务特定数据集上重新执行所提出的 Transformer 蒸馏过程。具体而言，微调后的 BERT 作为教师模型，并提出一种数据增强方法以扩充任务特定的训练集。通过利用更多与任务相关的样本进行训练，学生模型的泛化能力可得到进一步提升。
Data Augmentation.--> 我们将预训练的语言模型 BERT 与 GloVe (Pennington 等, 2014) 词嵌入相结合，以进行用于数据增强目的的词级替换。
具体而言，我们使用语言模型为单字词预测替换词（Wu et al., 2019），并利用词嵌入为多字词检索最相似的词语作为替换词3。我们定义了一些超参数，以控制句子的替换比例以及增强数据集的大小。数据增强过程的更多细节如算法1所示。在所有实验中，我们将 pt 设置为 0.4，Na 设置为 20，K 设置为 15。
上述两个学习阶段相互补充：通用蒸馏为特定任务蒸馏提供了良好的初始化，而基于增强数据的特定任务蒸馏则通过聚焦于学习任务特定知识，进一步提升了 TinyBERT 的性能。尽管模型规模显著减小，但通过在预训练和微调阶段结合数据增强以及提出的 Transformer 蒸馏方法，TinyBERT 在多种自然语言处理任务中均能取得具有竞争力的性能。
6 结论与未来工作
在本文中，我们提出了一种基于 Transformer 的蒸馏新方法，并进一步为 TinyBERT 设计了一个两阶段框架。大量实验表明，TinyBERT 在取得具有竞争力的性能的同时，显著缩减了 BERTBASE 的模型大小与推理时间，为在边缘设备上部署基于 BERT 的自然语言处理模型提供了有效途径。在未来的工作中，我们将研究如何更有效地将更宽更深的教师模型（例如 BERTLARGE）中的知识迁移到学生模型 TinyBERT 中。此外，将知识蒸馏与量化/剪枝相结合，将是进一步压缩预训练语言模型的另一个有前景的方向。