深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）-Toy模板网

这篇具有很好参考价值的文章主要介绍了深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

T5的全称为Text to Text Transfer Transformer，是谷歌提出的预训练语言模型领域的通用模型，该模型将所有自然语言问题都转化成文本到文本的形式，并用一个统一的模型解决。为了得到大一统的高质量预训练语言模型，T5不可避免地走上了“大力出奇迹”的道路，使用了更大的模型和更多的数据，但是模型和数据规模只是T5通往最强模型的手段之一，T5最核心的理念是：使用前缀任务声明及文本答案生成，统一所有自然语言处理任务的输入和输出。在此之前的几乎所有预训练语言模型，在下游任务微调过程中都需要添加非线性层，将模型的输出转化为任务指定的输出格式。T5不需要对模型做任何改动，只需要提供下游任务的微调数据；不需要添加任何非线性层，唯一需要做的就是在输入数据前加上任务声明前缀，下图所示为T5的输入格式和输出格式。绿色部分表示翻译任务，红色和黄色部分分别表示CoLA任务和STS-B任务，蓝色部分表示摘要生成任务，左侧的框表示T5的输入样例，右侧的框则是对应的输出结果。
深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）
T5将自然语言处理任务都转化成几乎一致的格式，即输入是带有任务前缀声明的文本序列，输出的文本序列是相应任务的结果。其输入格式和输出格式类似于GPT-3在Few-shot Learning设置下的格式，与GPT-3不同的是，T5适用于所有自然语言处理任务，而GPT-3受限于模型结构，只在文本生成任务上有独特的优势。由于T5的论文细节和对比实验很丰富，本文挑选关键算法和模型细节进行介绍。

算法细节

模型结构

T5在结构选型时考虑了3种模型结构，如下图所示，分别是Encoder-Decoder结构（传统的Transformer结构）、Decoder结构（GPT的结构）和Prefix LM结构（UniLM的结构）。
深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）
T5对这3种模型结构均做了测试，发现Transformer Encoder-Decoder结构效果最佳，于是遵循实践出真知的法则，T5的模型结构采用了传统的Transformer结构。

训练数据

T5训练的文本均来自Common Crawl数据集，该数据集中的数据是从互联网上爬取的（大约每个月抓取20TB的文本数据）。T5选取了2019年4月的数据，经过清洗，得到750GB的满足训练要求的数据，将其作为训练数据，并取名为C4数据集(Colossal Clean Crawled Corpus)，具体的清洗要求如下：

只保留结尾是正常符号的句子，如句号、感叹号、问号和引号。
删除所有内容少于5句且句子长度小于3个词的页面数据。
删除所有包含黄暴词的页面数据。
删除包含“.JavaScript”的词（针对网页数据）。
删除包含占位符“lorem ipsum”（排版测试中经常出现）的页面数据。
删除编程语言中经常出现的大括号对“{}”所在的页面数据。
删除连续重复3次以上的句子，只保留一句。
利用语种检测工具langdetect，只保留语种检测为英语，且置信度超过0.99的数据（训练针对英语任务的模型）。

输入和输出的格式化

T5与其他模型最大的区别在于，对下游任务微调训练更友好。不需要做任何模型侧的改动，只需要对下游任务的训练数据做简单改写，就可以用T5完成相应的任务。具体而言，在输入数据之前，添加任务的前缀声明，并将输出数据转化为文本表示，分类任务使用类别名即可。尤其针对输出结果是连续值的任务，根据训练数据的标签分布，采用模糊化的方式，将数值格式转化为文本格式，如1~5分的连续分值，以0.2为间隔将其分桶量化，则可得到一系列字符串标签类别，如“1”“1.2”“4.8”“5”等。下面介绍两个经典任务的改写方法。

CoLA（The Corpus of Linguistic Acceptability，判断句子的语法是否可接受，属于二分类任务，输出0表示不可接受，输出1表示可接受）：

原始输入：John made Bill master of himself
原始标签：1
T5输入：cola sentence：John made Bill master of himself.
T5标签：acceptable

STS-B（Semantic Textual Similarity Benchmark）为语义相似度检测任务，输出1~5分内的连续值：

原始输入1：Representatives for Puretunes could not immediately be reached for comment Wednesday.
原始输入2：Puretunes representatives could not be located Thursday to comment on the suit.
原始标签（数值类型）：3.25
T5输入：

stsb sentence1：Representatives for Puretunes could not immediately be reached for comment Wednesday.

sentence2: Puretunes represen-tatives could not be located Thursday to comment on the suit.

T5标签（字符串类型）：3.2

训练过程

T5进行了很多对比实验，来挑选最合适的训练方法，具体而言，有如下3种（用“|”分割T5的输入和输出）：

标准语言模型式：已知上半句，预测下半句。例如：Thank you for inviting|me to your party last week.
BERT式：掩盖一部分词，还原被掩盖的词。例如：Thank you<MASK>``<MASK>me to your party<MASK>week|Thank you for inviting me to your party last week.
乱序还原式：将文本顺序打乱，还原正确的语序。例如：party me for your to.last you inviting week Thank|Thank you for inviting me to your party last week.

实验表明，采用BERT式的训练方法效果最好，其实这也是BART所用的训练方法之一（BART还使用了其他噪声方法）。BERT式的训练方法依然有不少细节需要推敲，如掩码范围和替换词挑选策略等，因此T5又做了3组实验，挑选最佳的替换词方式，具体而言，有如下3种（用“|”分割T5的输入和输出）：

单个词用<MASK>替换，与BERT一样。例如：Thank you<MASK>``<MASK>me to your party<MASK>week|Thank you for inviting me to your party last week.
若干个连续词一起替换，只预测被替换的词。例如：Thank you<X>me to your party<Y>week.|<X>for inviting<Y>last<Z>
随机丢弃若干词，只预测被丢弃的词。例如：Thank you me to your party week.|for inviting last

实验表明，采用若干个连续词一起替换的方式效果最好，虽然其思想与BART的Text Infilling噪声训练方法一致，但形式上更简洁，BART以原文作为Decoder的标签，而T5只需要预测被掩盖的部分词即可。与此同时，T5还做了更为细致的实验，测试在不同掩码范围下模型的表现，以找出最合适的掩码长度。实验结果表明，长度为3是最合适的，而替换概率遵循BERT的15%是最佳的原则。

综上所述，T5利用了近年来在预训练语言模型上使用的技巧，做了大量的对比实验。虽然T5并没有提出新的模型结构或新的训练模式，但它通过巧妙地改写输入和输出，让T5不需要改动模型结构，就能在下游任务数据集上进行微调训练，本身就算一个跨越式进步。借助超大的模型规模和训练数据，具有110亿参数规模的T5在几乎所有任务上都达到了SOTA效果，再一次证明了预训练语言模型领域“大力出奇迹”的法则。从Transformer被提出到T5的出现，历史的车轮向前滚动，基于Transformer的预训练语言模型还是回归了最初的样子，也奠定了Transformer作为特征提取器在自然语言处理领域不可撼动的地位。

参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.
[3] 车万翔, 崔一鸣, 郭江. 自然语言处理：基于预训练模型的方法[M]. 电子工业出版社, 2021.
[4] 邵浩, 刘一烽. 预训练语言模型[M]. 电子工业出版社, 2021.
[5] 何晗. 自然语言处理入门[M]. 人民邮电出版社, 2019
[6] Sudharsan Ravichandiran. BERT基础教程：Transformer大模型实战[M]. 人民邮电出版社, 2023
[7] 吴茂贵, 王红星. 深入浅出Embedding：原理解析与应用实战[M]. 机械工业出版社, 2021.文章来源地址https://www.toymoban.com/news/detail-499206.html

到了这里，关于深入理解深度学习——BERT派生模型：T5（Text to Text Transfer Transformer）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！