想在PyTorch里训练BERT，请试试Facebook跨语言模型XLM

晓查发自凹非寺
量子位报道 | 公众号 QbitAI

今年2月，Facebook发表了论文《Cross-lingual Language Model Pretraining》，这篇论文提出了基于BERT优化的跨语言模型XLM，它刚刚出生就在两项机器翻译任务上取得了巨大进步。

在无人监督的机器翻译中，XLM在WMT’16的德语-英语上获得了34.3 BLEU，比之前的技术水平提高了9个以上BLEU。

然而这只是在单个应用领域的成绩，XLM更全面的性能测试结果如何呢？

就在昨天，论文的两位作者提交了GLUE测试得分，在使用相同的数据 (Wiki/TBC)的情况下，没有下一句预测任务，XLM新模型在所有提交的GLUE任务上均优于BERT。

为何能比BERT性能更好，论文作者之一Guillaume说：是因为更大的维度，以及没有下一句预测。

XLM项目

Facebook已经在GitHub上更新了的XLM项目的最新结果。

根据最新的文档描述，XLM的PyTorch英语模型与预训练的BERT TensorFlow模型使用相同的数据（Wikipedia + Toronto Book Corpus）进行训练。

该实现不使用下一句预测任务，网络只有12层但容量更高，包含6.65亿参数。总的来说，XLM模型在所有GLUE任务上都比原始BERT具有更好的性能。

整个XLM项目包括以下代码：

1、预训练语言模型：

因果语言模型（CLM）- 单语
掩码训练的语言模型（MLM） - 单语
翻译语言模型（TLM） - 跨语言

2、监督/无监督的机器翻译训练：

去噪自动编码器
并行数据培训
在线反向翻译

3、XNLI微调

4、GLUE微调

Facebook展示了XLM在生成跨语言句子表征上的能力。下面的代码中可以看到根据预训练模型获取句子表征的例子。

# list of (sentences, lang)sentences = [    ('the following secon@@ dary charac@@ ters also appear in the nov@@ el .', 'en'),    ('les zones rurales offr@@ ent de petites routes , a deux voies .', 'fr'),    ('luego del cri@@ quet , esta el futbol , el sur@@ f , entre otros .', 'es'),    ('am 18. august 1997 wurde der astero@@ id ( 76@@ 55 ) adam@@ ries nach ihm benannt .', 'de'),    ('اصدرت عدة افلام وث@@ اي@@ قية عن حياة السيدة في@@ روز من بينها :', 'ar'),    ('此外 ， 松@@ 嫩 平原 上 还有 许多 小 湖泊 ， 当地 俗@@ 称 为 “ 泡@@ 子 ” 。', 'zh'),]# add </s> sentence delimiterssentences = [(('</s> %s </s>' % sent.strip()).split(), lang) for sent, lang in sentences]sentences = [    ('the following secon@@ dary charac@@ ters also appear in the nov@@ el .', 'en'),    ('les zones rurales offr@@ ent de petites routes , a deux voies .', 'fr'),    ('luego del cri@@ quet , esta el futbol , el sur@@ f , entre otros .', 'es'),    ('am 18. august 1997 wurde der astero@@ id ( 76@@ 55 ) adam@@ ries nach ihm benannt .', 'de'),    ('اصدرت عدة افلام وث@@ اي@@ قية عن حياة السيدة في@@ روز من بينها :', 'ar'),    ('此外 ， 松@@ 嫩 平原 上 还有 许多 小 湖泊 ， 当地 俗@@ 称 为 “ 泡@@ 子 ” 。', 'zh'),]

# add </s> sentence delimiterssentences = [(('</s> %s </s>' % sent.strip()).split(), lang) for sent, lang in sentences]

论文简介

最近的研究证明了生成预训练(Generative pretraining)对英语自然语言理解的效率。而Facebook将这种方法扩展到多种语言，并展示了跨语言预训练的有效性。

他们提出了两种学习跨语言模型（XLM）的方法：一种是无监督学习，只依赖单语数据，另一种是监督学习，利用新的跨语言语言模型目标的平行数据。

这种方法获得了关于跨语言分类、无监督和监督机器翻译的最新结果。在XNLI上，这种方法比之前的技术将准确率提高了4.9％。

在无人监督的机器翻译中，XLM在WMT’16德语 - 英语上获得了34.3 BLEU，比之前的最佳结果提高了9个以上BLEU。

在有监督机器翻译中，XLM在WMT’16罗马尼亚语-英语上获得了38.5 BLEU的结果，比之前的最佳方法提高了超过4 BLEU。

传送门

论文地址：
https://arxiv.org/abs/1901.07291

项目地址：
https://github.com/facebookresearch/XLM

作者系网易新闻·网易号“各有态度”签约作者

— 完 —

AI社群 | 与优秀的人交流

小程序 | 全类别AI学习教程

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「好看」吧 !