BERT 模型压缩方法
BERT 模型压缩方法
压缩方法
1、剪枝——即训练后从网络中去掉不必要的部分。
这包括权重大小剪枝、注意力头剪枝、网络层以及其他部分的剪枝等。还有一些方法也通过在训练期间采用正则化的方式来提升剪枝能力（layer dropout）。
2、权重因子分解——通过将参数矩阵分解成两个较小矩阵的乘积来逼近原始参数矩阵。
这给矩阵施加了低秩约束。权重因子分解既可以应用于输入嵌入层（这节省了大量磁盘内存），也可以应用于前馈/自注意力层的参数（为了提高速度）。
3、知识蒸馏——又名「Student Teacher」。
在预训练/下游数据上从头开始训练一个小得多的 Transformer，正常情况下，这可能会失败，但是由于未知的原因，利用完整大小的模型中的软标签可以改进优化。
一些方法还将BERT 蒸馏成如LSTMS 等其他各种推理速度更快的架构。另外还有一些其他方法不仅在输出上，还在权重矩阵和隐藏的激活层上对 Teacher 知识进行更深入的挖掘。
4、权重共享——模型中的一些权重与模型中的其他参数共享相同的值。
例如，ALBERT 对 BERT 中的每个自注意力层使用相同的权重矩阵。
5、量化——截断浮点数，使其仅使用几个比特（这会导致舍入误差）。
模型可以在训练期间，也可以在训练之后学习量化值。
6、预训练和下游任务——一些方法仅仅在涉及到特定的下游任务时才压缩 BERT，也有一些方法以任务无关的方式来压缩 BERT。
https://www.toutiao.com/a1660021167491084
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69946223/viewspace-2678059/ ，如需转载，请注明出处，否则将追究法律责任。
