wehub-resource-sync
330 lines
15 KiB
Markdown
330 lines
15 KiB
Markdown
# BERT Compression Based on PaddleSlim
|
|
|
|
BERT-base 模型是一个迁移能力很强的通用语义表示模型，但是模型中也有一些参数冗余。本教程将介绍如何使用 PaddleSlim 对 BERT-base 模型进行压缩。
|
|
|
|
## 压缩原理
|
|
|
|
1. 对 Fine-tuning 得到模型通过计算参数及其梯度的乘积得到参数的重要性，把模型参数根据重要性进行重排序。
|
|
2. 超网络中最大的子网络选择和 Bert-base 模型网络结构一致的网络结构，其他小的子网络是对最大网络的进行不同的宽度选择来得到的，宽度选择具体指的是网络中的参数进行裁剪，所有子网络在整个训练过程中都是参数共享的。
|
|
2. 用重排序之后的模型参数作为超网络模型的初始化参数。
|
|
3. Fine-tuning 之后的模型作为教师网络，超网络作为学生网络，进行知识蒸馏。
|
|
|
|
<p align="center">
|
|
<img src="./imgs/ofa_bert.jpg" width="950"/><br />
|
|
整体流程图
|
|
</p>
|
|
|
|
|
|
## 压缩结果
|
|
|
|
利用`bert-base-uncased`模型首先在 GLUE 数据集上进行 finetune，得到需要压缩的模型，之后基于此模型进行压缩。压缩后模型参数大小减小26%（从110M 减少到81M），压缩后模型在 GLUE dev 数据集上的精度和压缩前模型在 GLUE dev 数据集上的精度对比如下表所示：
|
|
|
|
| Task | Metric | Result | Result with PaddleSlim |
|
|
|:-----:|:----------------------------:|:-----------------:|:----------------------:|
|
|
| SST-2 | Accuracy | 0.93005 | 0.931193 |
|
|
| QNLI | Accuracy | 0.91781 | 0.920740 |
|
|
| CoLA | Mattehew's corr | 0.59557 | 0.601244 |
|
|
| MRPC | F1/Accuracy | 0.91667/0.88235 | 0.91740/0.88480 |
|
|
| STS-B | Person/Spearman corr | 0.88847/0.88350 | 0.89271/0.88958 |
|
|
| QQP | Accuracy/F1 | 0.90581/0.87347 | 0.90994/0.87947 |
|
|
| MNLI | Matched acc/MisMatched acc | 0.84422/0.84825 | 0.84687/0.85242 |
|
|
| RTE | Accuracy | 0.711191 | 0.718412 |
|
|
|
|
<p align="center">
|
|
<strong>表1-1: GLUE 数据集精度对比</strong>
|
|
</p>
|
|
|
|
压缩前后模型的耗时如下表所示：
|
|
|
|
<table style="width:100%;" cellpadding="2" cellspacing="0" border="1" bordercolor="#000000">
|
|
<tbody>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">Device</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">Batch Size</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">Model</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">TRT(FP16)</span>
|
|
</td>
|
|
<td style="text-align:center;">
|
|
<span style="font-size:18px;">Latency(ms)</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=8 align=center> T4 </td>
|
|
<td rowspan=4 align=center> 16 </td>
|
|
<td rowspan=2 align=center> BERT </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">110.71</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">Y</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">22.0</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=2 align=center>Compressed BERT </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">69.62</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">Y</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">14.93</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=4 align=center> 40 </td>
|
|
<td rowspan=2 align=center> BERT </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">252.78</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">Y</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">53.67</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=2 align=center>Compressed BERT </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">168.71</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">Y</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">37.22</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=2 align=center> V100 </td>
|
|
<td rowspan=2 align=center> 16 </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;" align=center>BERT</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">33.28</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">Compressed BERT</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">21.83</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td rowspan=2 align=center> Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz </td>
|
|
<td rowspan=2 align=center> 16 </td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;" align=center>BERT</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">10831.73</span>
|
|
</td>
|
|
</tr>
|
|
<tr>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px;">Compressed BERT</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">N</span>
|
|
</td>
|
|
<td style="text-align:center">
|
|
<span style="font-size:18px">7682.93</span>
|
|
</td>
|
|
</tr>
|
|
</tbody>
|
|
</table>
|
|
<br />
|
|
<p align="center">
|
|
<strong>表1-2: 模型速度对比</strong>
|
|
</p>
|
|
|
|
压缩后模型在 T4机器上相比原始模型在 FP32的情况下加速59%，在 TensorRT FP16的情况下加速47.3%。
|
|
压缩后模型在 V100机器上相比原始模型在 FP32的情况下加速52.5%。
|
|
压缩后模型在 Intel(R) Xeon(R) Gold 5117 CPU 上相比原始模型在 FP32的情况下加速41%。
|
|
|
|
## 快速开始
|
|
本教程示例以 GLUE/SST-2 数据集为例。
|
|
|
|
### 环境依赖
|
|
|
|
模型压缩功能依赖最新版本的 PaddleSlim
|
|
```shell
|
|
git clone https://github.com/PaddlePaddle/PaddleSlim
|
|
python setup.py build && python setup.py install
|
|
```
|
|
|
|
### Fine-tuing
|
|
首先需要对 Pretrain-Model 在实际的下游任务上进行 Finetuning，得到需要压缩的模型。Fine-tuning 流程参考[Fine-tuning 教程](../../benchmark/glue)
|
|
|
|
```shell
|
|
cd ../../benchmark/glue/
|
|
```
|
|
|
|
```python
|
|
export CUDA_VISIBLE_DEVICES=0
|
|
export TASK_NAME=SST-2
|
|
|
|
python -u ./run_glue.py \
|
|
--model_type bert \
|
|
--model_name_or_path bert-base-uncased \
|
|
--task_name $TASK_NAME \
|
|
--max_seq_length 128 \
|
|
--batch_size 32 \
|
|
--learning_rate 2e-5 \
|
|
--num_train_epochs 3 \
|
|
--logging_steps 1 \
|
|
--save_steps 500 \
|
|
--output_dir ./tmp/$TASK_NAME/ \
|
|
--device gpu \
|
|
```
|
|
参数详细含义参考[README.md](../../benchmark/glue/README.md)
|
|
Fine-tuning 在 dev 上的结果如压缩结果表1-1中 Result 那一列所示。
|
|
|
|
|
|
### 压缩训练
|
|
|
|
单卡训练
|
|
```shell
|
|
python -u ./run_glue_ofa.py --model_type bert \
|
|
--model_name_or_path ${task_pretrained_model_dir} \
|
|
--task_name $TASK_NAME --max_seq_length 128 \
|
|
--batch_size 32 \
|
|
--learning_rate 2e-5 \
|
|
--num_train_epochs 6 \
|
|
--logging_steps 10 \
|
|
--save_steps 100 \
|
|
--output_dir ./tmp/$TASK_NAME \
|
|
--device gpu \
|
|
--width_mult_list 1.0 0.8333333333333334 0.6666666666666666 0.5
|
|
```
|
|
|
|
多卡训练
|
|
|
|
```shell
|
|
unset CUDA_VISIBLE_DEVICES
|
|
python -m paddle.distributed.launch --gpus "0,1" run_glue_ofa.py \
|
|
--model_type bert \
|
|
--model_name_or_path ${task_pretrained_model_dir} \
|
|
--task_name $TASK_NAME --max_seq_length 128 \
|
|
--batch_size 32 \
|
|
--learning_rate 2e-5 \
|
|
--num_train_epochs 6 \
|
|
--logging_steps 10 \
|
|
--save_steps 100 \
|
|
--output_dir ./tmp/$TASK_NAME \
|
|
--device gpu \
|
|
--width_mult_list 1.0 0.8333333333333334 0.6666666666666666 0.5
|
|
```
|
|
|
|
|
|
其中参数释义如下：
|
|
- `model_type` 指示了模型类型，当前仅支持 BERT 模型。
|
|
- `model_name_or_path` 指示了某种特定配置的模型，对应有其预训练模型和预训练时使用的 tokenizer。若模型相关内容保存在本地，这里也可以提供相应目录地址。
|
|
- `task_name` 表示 Fine-tuning 的任务。
|
|
- `max_seq_length` 表示最大句子长度，超过该长度将被截断。
|
|
- `batch_size` 表示每次迭代**每张卡**上的样本数目。
|
|
- `learning_rate` 表示基础学习率大小，将于 learning rate scheduler 产生的值相乘作为当前学习率。
|
|
- `num_train_epochs` 表示训练轮数。
|
|
- `logging_steps` 表示日志打印间隔。
|
|
- `save_steps` 表示模型保存及评估间隔。
|
|
- `output_dir` 表示模型保存路径。
|
|
- `device` 表示训练使用的设备, 'gpu'表示使用 GPU, 'xpu'表示使用百度昆仑卡, 'cpu'表示使用 CPU。
|
|
- `width_mult_list` 表示压缩训练过程中，对每层 Transformer Block 的宽度选择的范围。
|
|
|
|
压缩训练之后在 dev 上的结果如压缩结果表格中 Result with PaddleSlim 那一列所示，延时情况如表1-2所示。
|
|
|
|
|
|
### 导出子模型
|
|
根据传入的 config 导出相应的子模型并转为静态图模型。
|
|
|
|
启动命令：
|
|
|
|
```shell
|
|
python -u ./export_model.py --model_type bert \
|
|
--model_name_or_path ${PATH_OF_MODEL_AFTER_OFA} \
|
|
--max_seq_length 128 \
|
|
--sub_model_output_dir ./tmp/$TASK_NAME/dynamic_model \
|
|
--static_sub_model ./tmp/$TASK_NAME/static_model \
|
|
--device gpu \
|
|
--width_mult 0.6666666666666666
|
|
```
|
|
|
|
其中参数释义如下：
|
|
- `model_type` 指示了模型类型，当前仅支持 BERT 模型。
|
|
- `model_name_or_path` 指示了某种特定配置的经过 OFA 训练后保存的模型，对应有其预训练模型和预训练时使用的 tokenizer。若模型相关内容保存在本地，这里也可以提供相应目录地址。
|
|
- `max_seq_length` 表示最大句子长度，超过该长度将被截断。默认：128.
|
|
- `sub_model_output_dir` 指示了导出子模型动态图参数的目录。
|
|
- `static_sub_model` 指示了导出子模型静态图模型及参数的目录，设置为 None，则表示不导出静态图模型。默认：None。
|
|
- `device` 表示训练使用的设备, 'gpu'表示使用 GPU, 'xpu'表示使用百度昆仑卡, 'cpu'表示使用 CPU。
|
|
- `width_mult` 表示导出子模型的宽度。默认：1.0.
|
|
|
|
|
|
### OFA 接口介绍
|
|
|
|
OFA API 介绍参考[API](https://github.com/PaddlePaddle/PaddleSlim/blob/release/2.0.0/docs/zh_cn/api_cn/dygraph/ofa/ofa_api.rst)
|
|
|
|
## 另附：基于本代码对 TinyBERT(L=4, D=312)进行压缩
|
|
下游任务模型是从 TinyBERT 官方 repo 转换得到。
|
|
|
|
### 压缩结果
|
|
|
|
| Task | Metric | TinyBERT(L=4, D=312) | Result with OFA |
|
|
|:-----:|:----------------------------:|:--------------------:|:----------------------:|
|
|
| SST-2 | Accuracy | [0.9234]() | [0.9220]() |
|
|
| QNLI | Accuracy | [0.8746]() | [0.8720]() |
|
|
| CoLA | Mattehew's corr | [0.4961]() | [0.5048]() |
|
|
| MRPC | F1/Accuracy | [0.8998/0.8554]() | [0.9003/0.8578]() |
|
|
| STS-B | Person/Spearman corr | [0.8635/0.8631]() | [0.8717/0.8706]() |
|
|
| QQP | Accuracy/F1 | [0.9047/0.8751]() | [0.9034/0.8733]() |
|
|
| MNLI | Matched acc/MisMatched acc | [0.8256/0.8294]() | [0.8211/0.8261]() |
|
|
| RTE | Accuracy | [0.6534]() | [0.6787]() |
|
|
|
|
|
|
## 参考论文
|
|
|
|
1. Lu Hou, Zhiqi Huang, Lifeng Shang, Xin Jiang, Xiao Chen, Qun Liu. DynaBERT: Dynamic BERT with Adaptive Width and Depth.
|
|
2. H. Cai, C. Gan, T. Wang, Z. Zhang, and S. Han. Once for all: Train one network and specialize it for efficient deployment.
|