清華大學(xué)力作！一個(gè)「PPT」框架，讓超大模型調(diào)參變簡(jiǎn)單

↑↑↑點(diǎn)擊上方藍(lán)字，回復(fù)資料，10個(gè)G的驚喜

轉(zhuǎn)自：機(jī)器之心

圖源：https://www.zhihu.com/pin/1419682869878489088

近年來(lái)，微調(diào)預(yù)訓(xùn)練語(yǔ)言模型（PLM）取得了很大進(jìn)展。通過(guò)微調(diào) PLM 的全部參數(shù)，從大規(guī)模無(wú)標(biāo)簽語(yǔ)料庫(kù)中獲得的多方面知識(shí)可以用于處理各種 NLP 任務(wù)，并優(yōu)于從頭學(xué)習(xí)模型的方法。為簡(jiǎn)單起見，此處將這種全模型調(diào)整（full-model tuning）稱為 FT。

如下圖 1 (b) 和 (c)所示，主流的 FT 方法共有兩種。第一種是任務(wù)導(dǎo)向的微調(diào)，在 PLM 上添加一個(gè) task-specific 的頭（head），然后通過(guò)優(yōu)化 task-specific 訓(xùn)練數(shù)據(jù)上的 task-specific 學(xué)習(xí)目標(biāo)，來(lái)微調(diào)整個(gè)模型。

第二種是以 prompt 為導(dǎo)向的微調(diào)，其靈感來(lái)自最近的一些研究，這些研究利用語(yǔ)言 prompt 來(lái)激發(fā) PLM 的知識(shí)。在以 prompt 為導(dǎo)向的微調(diào)中，數(shù)據(jù)樣本被轉(zhuǎn)換為包含 prompt token 的線性序列，所有的下游任務(wù)都被轉(zhuǎn)化為語(yǔ)言建模問(wèn)題。

如圖 1 (c) 所示，通過(guò)在句子中添加 prompt（It was hXi），我們可以根據(jù) PLM 在掩碼位置給出的預(yù)測(cè)結(jié)果（great 或 terrible）來(lái)確定這個(gè)句子到底是積極還是消極。

如圖 1 所示，與以任務(wù)為導(dǎo)向的微調(diào)相比，在目標(biāo)方面（掩碼語(yǔ)言建模），以 prompt 為導(dǎo)向的微調(diào)更類似于預(yù)訓(xùn)練，因此有助于更好地利用 PLM 中的知識(shí)，通常也能取得更好的結(jié)果。

盡管上述 FT 方法已經(jīng)顯示出很好的結(jié)果，但隨著模型規(guī)模的迅速擴(kuò)張，為每個(gè)下游任務(wù)微調(diào)一個(gè)完整的大模型正變得越來(lái)越昂貴。為了應(yīng)對(duì)這一挑戰(zhàn)，來(lái)自谷歌的 Brian Lester 等人在《 The Power of Scale for Parameter-Efficient Prompt Tuning 》中提出了 prompt tuning（PT），以降低為下游任務(wù)微調(diào)大模型的成本，如圖 1 (d)所示。

具體來(lái)說(shuō)，PT 采用包含連續(xù)嵌入的 soft prompt 代替 hard prompt（離散語(yǔ)言短語(yǔ)）。這些連續(xù) prompt 嵌入通常是隨機(jī)初始化和端到端學(xué)習(xí)的。為了避免為每個(gè)下游任務(wù)存儲(chǔ)整個(gè)模型，PT 凍結(jié)了 PLM 的所有參數(shù)，只調(diào)整 soft prompt，無(wú)需添加任何中間層和 task-specific 組件。盡管 PT 具有很少的可調(diào)參數(shù)和簡(jiǎn)單的設(shè)計(jì)，但它仍然可以媲美 FT，如圖 2(a)所示。

PT 有兩個(gè)非常有前景的優(yōu)勢(shì)：1）與 hard prompt 相比，soft prompt 可以端到端學(xué)習(xí)；2）PT 是大規(guī)模 PLM 實(shí)際應(yīng)用的一種高效、有效的范式。然而，如圖 2 (b)所示，在 few-shot 場(chǎng)景下，PT 的表現(xiàn)比 FT 差很多，這可能會(huì)阻礙 PT 在各種低資源場(chǎng)景下的應(yīng)用。

因此，在這篇論文中，來(lái)自清華大學(xué)的 Yuxian Gu、Xu Han、劉知遠(yuǎn)、黃民烈四位研究者廣泛探索了如何通過(guò) PT 以高效和有效的方式使用 PLM 進(jìn)行 few-shot 學(xué)習(xí)。

具體來(lái)說(shuō)，在論文的第二部分，他們進(jìn)行了試點(diǎn)實(shí)驗(yàn)，分析了 PT 在大規(guī)模 PLM 中用于 few-shot 學(xué)習(xí)的有效性，這是現(xiàn)在很多研究所忽略的問(wèn)題。他們發(fā)現(xiàn)：1）verbalizer 的選擇對(duì)于性能有很大的影響；2）簡(jiǎn)單地用具體的詞嵌入初始化 soft prompt 并不能提高性能；3）將 soft 和 hard prompt 結(jié)合起來(lái)很有幫助；4）所有這些方法都不能很好地處理 few-shot prompt 調(diào)優(yōu)問(wèn)題。上述觀察結(jié)果表明，為大規(guī)模 PLM 找到合適的 prompt 并非易事，而精心設(shè)計(jì)的 soft prompt token 初始化至關(guān)重要。

論文鏈接：https://arxiv.org/pdf/2109.04332.pdf

為了幫助模型找到合適的 prompt，研究者使用大規(guī)模無(wú)標(biāo)記語(yǔ)料庫(kù)上的自監(jiān)督任務(wù)對(duì)這些 token 進(jìn)行預(yù)訓(xùn)練。為了保證預(yù)訓(xùn)練 prompt 的泛化能力，他們將典型分類任務(wù)分為三種：sentence-pair 分類、multiple-choice 分類和 single-text 分類，每種對(duì)應(yīng)一個(gè)自監(jiān)督的預(yù)訓(xùn)練任務(wù)。此外，他們發(fā)現(xiàn) multiple-choice 分類比其他分類都要普遍，可以將所有下游分類任務(wù)都統(tǒng)一到這種分類中。他們給這種 Pre-trained Prompt Tuning 框架起名為「PPT」。

研究者使用 3 個(gè) 11B 的 PLM（T5-XXL、mT5-XXL、CPM-2）在多個(gè)數(shù)據(jù)集上評(píng)估了 PPT 的性能。實(shí)驗(yàn)結(jié)果表明，PPT 不僅可以大幅提升 few-shot PT，媲美甚至超越 FT 方法，還能降低 few-shot 學(xué)習(xí)的方差。除有效性之外，PPT 還保留了現(xiàn)有 PT 方法的參數(shù)效率，這對(duì)未來(lái)在大規(guī)模 PLM 上的應(yīng)用具有重要價(jià)值。

PPT 架構(gòu)概覽

遵循 T5 和 PT 的方法，研究者以一種 text-to-text 的方式解決所有下游任務(wù)。如圖 1(d)所示，為了彌合預(yù)訓(xùn)練和下游任務(wù)之間的 objective gap，以 prompt 為導(dǎo)向的微調(diào)將下游任務(wù)轉(zhuǎn)化為一些完形填空式的目標(biāo)。以分類任務(wù)為例，給定輸入句子及其標(biāo)簽，首先應(yīng)用模式映射將 x 轉(zhuǎn)換為一個(gè)新的 token 序列 f(x)，其中 V 是 PLM 的詞匯表。f(x)不僅添加了一些 prompt token 作為提示，還保留了至少一個(gè) masking token <X>，讓 PLM 預(yù)測(cè)掩碼位置的 token。接下來(lái)，使用一個(gè) verbalizer將 y 映射到一個(gè)標(biāo)簽 token 序列 v(y)。借助 f(·)和 v(·)，分類任務(wù)可以用 pattern-verbalizer 對(duì) (f, v) 來(lái)表示:

其中，θ表示所有可調(diào)參數(shù)，特別是 PLM 的參數(shù)。為了方便起見，研究者使用「PVP」來(lái)表示這個(gè) pattern-verbalizer 對(duì)。

在 PT 中，將一組 soft prompt token P 連接到序列的前面，模型輸入變?yōu)?[P;f (x)]。其中， [·; ·] 為連接函數(shù)。通過(guò)單獨(dú)調(diào)整 P，其他參數(shù)固定，將式(1) 替換為：

由于大規(guī)模 PLM 性能強(qiáng)大，在多個(gè)全數(shù)據(jù)情境下，式(2) 被證實(shí)與這些 FT 方法具有可比性。但是研究者發(fā)現(xiàn)，學(xué)習(xí)有效的 soft prompt 并不容易，這可能導(dǎo)致模型在各種 few-shot 情境下性能較低。參數(shù)的初始化通常對(duì)模型的學(xué)習(xí)難度有很大的影響。一般來(lái)說(shuō)，除了隨機(jī)初始化 p 之外，一些研究從 PLM 的詞匯表 V 中采樣詞嵌入作為初始化。然而，試點(diǎn)實(shí)驗(yàn)的結(jié)果表明，現(xiàn)有初始化策略及其簡(jiǎn)單變體對(duì)基于大規(guī)模 PLM 的模型性能影響很小或有消極影響（具體細(xì)節(jié)參見論文第四部分）。

近年來(lái)，預(yù)訓(xùn)練已經(jīng)被證明是一種尋找模型良好初始化的有效方法。受此啟發(fā)，研究者提出預(yù)訓(xùn)練 soft prompt。他們注意到，若干組下游任務(wù)與基于無(wú)標(biāo)簽預(yù)訓(xùn)練語(yǔ)料庫(kù)的某些自監(jiān)督任務(wù)相關(guān)。例如，一些 sentence-pair 分類的任務(wù)（如自然語(yǔ)言推理和句子相似度計(jì)算），與預(yù)訓(xùn)練階段使用的 NSP 任務(wù)相似。如圖 3 所示，這些任務(wù)都以兩個(gè)句子作為輸入并比較它們的語(yǔ)義。因此，對(duì)于這些 sentence-pair 任務(wù)來(lái)說(shuō)，由 NSP 預(yù)訓(xùn)練的 soft prompt 可以是一個(gè)很好的初始化。

假設(shè)可以將下游任務(wù)分為 m 組：{T_1, T_2, ..., T_m}，其中，T_i 是包含 n_i 個(gè)下游任務(wù)的集合，其中，。針對(duì)每個(gè)組，研究者設(shè)計(jì)了一個(gè)對(duì)應(yīng)的預(yù)訓(xùn)練任務(wù)，在這些預(yù)訓(xùn)練任務(wù)上預(yù)訓(xùn)練了 soft prompt 之后（所有模型參數(shù)固定），研究者得到 m 個(gè)預(yù)訓(xùn)練 prompt：{P_1, P_2, ..., P_m}。在預(yù)訓(xùn)練之后，對(duì)于 T_i 中的每個(gè)任務(wù)，研究者繼續(xù)優(yōu)化式(2)，使用 P_i 作為 soft prompt 的初始化。

實(shí)驗(yàn)及結(jié)果

之前的工作（Lester 等，2021；Zhang 等，2021b）表明，T5-XXL 在完全數(shù)據(jù)設(shè)置方面可以與 FT 相媲美。因此在實(shí)驗(yàn)部分，對(duì)于英文數(shù)據(jù)集，該研究使用具有 11B 個(gè)參數(shù)的 T5-XXL 作為基礎(chǔ)模型來(lái)進(jìn)行 PT。該研究還對(duì)各種尺寸的 T5 進(jìn)行了 FT 實(shí)驗(yàn)，驗(yàn)證了 T5-XXL 在 few-shot 場(chǎng)景中的表現(xiàn)優(yōu)于其他尺寸，并且基于 T5-XXL 改進(jìn) PT 是有意義的。對(duì)于中文數(shù)據(jù)集，該研究基于 CPM-2 進(jìn)行 PT。由于 CPM-2 不提供其他尺寸的模型，研究者將其與各種尺寸的 mT5 (Xue 等, 2021) 進(jìn)行比較。

主要實(shí)驗(yàn)結(jié)果

在英文和中文數(shù)據(jù)集上的結(jié)果如下表 4 所示，其中 FT 的部分展示了各種尺寸 T5 模型的全模型微調(diào)結(jié)果；PT 的部分展示了 PPT 和其他基線的結(jié)果。第一個(gè)基線是 Vanilla PT，其中的 soft token 是從正態(tài)分布中隨機(jī)初始化的；第二個(gè)基線是混合策略；然后該研究還考慮了 Lester 等人（2021）使用的 LM Adaption。其中 T5 模型通過(guò)語(yǔ)言建模進(jìn)一步預(yù)訓(xùn)練 10K 步，以減少預(yù)訓(xùn)練和微調(diào)之間的差距。除了 PPT 以外，該研究還測(cè)試了 PPT 的兩種變體：一種是 Hybrid PPT，將精心設(shè)計(jì)的 hard prompt 與預(yù)訓(xùn)練的 soft prompt 相結(jié)合；另一種是 Unified PPT，其中所有任務(wù)都以 multiple-choice 的格式統(tǒng)一。

表 4 給出了關(guān)于有效性的結(jié)果：

• 隨著參數(shù)數(shù)量的增加，F(xiàn)T 的性能有所提升。

• 在大多數(shù)數(shù)據(jù)集中，PPT 明顯優(yōu)于 Vanilla PT 和 LM Adaption。

• PPT 在所有中文數(shù)據(jù)集和大多數(shù)英文數(shù)據(jù)集上都優(yōu)于 10B 模型的 FT。

• PPT 在大多數(shù)數(shù)據(jù)集上會(huì)產(chǎn)生較小的方差，相比之下，一般的 few-shot 學(xué)習(xí)常存在不穩(wěn)定性，例如 Vanilla PT。

Unified PPT 將所有格式統(tǒng)一為 multiple-choice 的格式，是 PPT 的另一種變體。表 4 的結(jié)果表明 Unified PPT 達(dá)到了與 PPT 和 Hybrid PPT 相當(dāng)?shù)男阅?，并且?yōu)于 soft-prompt 調(diào)整基線。

以上所有數(shù)據(jù)集的分類標(biāo)簽都少于 5 個(gè)，該研究進(jìn)一步在超過(guò) 5 個(gè)標(biāo)簽的數(shù)據(jù)集上測(cè)試了 Unified PPT，實(shí)驗(yàn)結(jié)果如下表 5 所示。

采樣效率

研究者探究了當(dāng)訓(xùn)練樣本數(shù)量增加時(shí) FT、PT 和 PPT 的比較結(jié)果。下圖 4 展示了這些方法在 RACEm 和 CB 數(shù)據(jù)集上的趨勢(shì)。從中可以觀察到，對(duì)于從 32 到 128 個(gè)樣本，PPT 始終優(yōu)于 Vanilla PT，當(dāng)數(shù)量增長(zhǎng)到 256 時(shí)，三種方法的性能逐漸收斂。

推薦閱讀
（點(diǎn)擊標(biāo)題可跳轉(zhuǎn)閱讀）
23個(gè)優(yōu)秀的機(jī)器學(xué)習(xí)數(shù)據(jù)集
6行代碼！用Python將PDF轉(zhuǎn)為word
臺(tái)大美女教授陳缊儂：《應(yīng)用深度學(xué)習(xí)》
李宏毅《機(jī)器學(xué)習(xí)》視頻教程 PPT
適合入門的深度學(xué)習(xí)綜述
老鐵，三連支持一下，好嗎？↓↓↓