©AI学术前沿原创 · 作者 | IanChi

研究方向 | 机器学习、NLP

本文将罗列几篇通过 Drop 一些组件来提升预训练模型效率的工作。

▍STRUCTURED DROPOUT Pruning

论文标题：

Reducing Transformer Depth on Demand with Structured Dropout

论文链接：

https://arxiv.org/abs/1909.11556

代码链接：

https://github.com/pytorch/fairseq/tree/master/examples/layerdrop

idea 非常简单，类似 Huang Gao 的 Stochastic Depth，在 Train 和 Test 阶段利用结构化的 Dropout，对网络结构的一些 layer 进行丢弃操作。

文章提出了三种丢弃策略：

1. Every Other：每隔几层丢一层；

2. Search on Valid：在valid set搜索一些layer丢弃组合；

2. Data Driven Pruning：将丢弃任务建模成一个函数拟合任务，来学习如何丢弃。

结果发现最简单的 Every Other 效果最好，简单太秀了……

这里起名字为 DropLayer，和一般的 Dropout 不同，是丢弃 weight 的（DropConnect），本质上就是在权重矩阵中乘个 Mask 矩阵（{0,1} 矩阵）。

很多问题的本质都是一个 subset selection 的问题，包括一些工作是做 sparse attention，提高 Transformer 的时间和空间效率。

▍Dynamic Early Exiting

论文标题：

DeeBERT: Dynamic Early Exiting for Accelerating BERT Inference

论文链接：

https://arxiv.org/abs/2004.12993

代码链接：

https://github.com/castorini/DeeBERT

这个工作乍一看和上面的思路一模一样，同样也是受启发于 Huang Gao 的工作。大概的思路是，作者认为 BERT 中堆叠了这么多的 Transformer Layer，有很多的冗余。所以，想尝试着，在每个 Transformer 之后，都做一次预测，试试看是不是 ok，这里 ok 不 ok 是用 prediction entropy 来度量的（手动设定个阈值，一顿调）。如果 ok 直接给出预测，后面的 transformer 就不计算了，所以可以省下不少 inference time。

当然作者也尝试了 ensemble 一下多个 layer 的 prediction，貌似没啥效果。

实验方面，也和论文 1 中的 LayerDrop 进行了对比，在有限的对比实验中，提升效率上不如 LayerDrop。

这个工作有点像更加粗糙的 LayerDrop，人家 drop 的是 layer，这里 drop 的 transfomer，粒度更大一些。

▍Scheduled DropHead

论文标题：

Scheduled DropHead: A Regularization Method for Transformer Models

论文链接：

https://arxiv.org/abs/2004.13342

本文也是 Drop 的思想，不同于上面的两篇文章，这里关注的是 Head 的位置。多头是 Transformer 成功的重要原因之一，有些研究表明只有一部分 attention 对于结果影响很大，其他的 attention 是冗余的，所以 drop 掉一些 attention 一方面可以 prevent overfitting，另一方面可以达到 prune 的效果，提升 efficiency。

当然这里，drop 的时候，颗粒度比较大，直接对整个 head attention 进行 drop。除了这个点之外，本文另一个重要的点，是提出了一种 V 字 dropout rate scheduler，而不是 fixed rate，通过烧蚀实验验证了这种 scheduler 的作用。

▍Big Bird Transformers

论文标题：

Big Bird: Transformers for Longer Sequences

论文链接：

https://arxiv.org/abs/2007.14062

代码链接：

https://github.com/google-research/bigbird

这个工作不同于文章 3 的粗暴，而是更加细腻的做 sparse attention，drop 的更加精细，self-attention 也好，encoder-decoder attention 也罢，最大的问题是效率问题，但其实并不是所有的 token 都有直接联系，这里存在着巨大的冗余。此次作为一个引子，回头专门针对 sparse attention 写一篇文章，这里先不赘述。

▍总结

简单总结几句，因为 transformer based models 已经横扫了这么多 NLP task，也包括 CV 和 speech 的一些 task，那么 More Efficient Transformer 一定是个大趋势。本文节选了几篇通过 drop 的思路来 improve transformer 的工作，肯定不够全面，但基本上说清了一个趋势。

如果我们将 neural network 从结构上拆解成不同粒度的组件来看，可以写个简单的伪代码如下：

for component in [neuron, weight, layer, block, head, attention, ...]:
performance, time = drop(component)
if performance is sota:
a novel drop based transformer is proposed
elif time is sota:
a novel prune method of transformer is proposed
elif performance and time both sota:
a big news is coming soon
else:
continue
Auto Drop will be a new direction to follow.

调侃完了之后，说句公道话，不管是黑猫还是白猫，抓住老鼠就是好猫咪。

抖个机灵，Transformer 最大的瓶颈在于芝麻街的主人公太少，快不够用了。

·