谷歌BERT以及其它基于transformer的模型近来席卷整个NLP领域，并在多项任务当中全面超越原有最强技术方案。最近，谷歌又对BERT进行了多项改进，迎来一系列相当强势的提升。在本文中，我们将共同探讨各类BERT相关模型的相似与不同，希望帮助大家结合自身需求找到最理想的选项。

BERT

BERT是一种双向transformer，旨在利用大量未标记文本数据进行预训练，从而学习并掌握某种语言表达形式。更重要的是，这种表达形式还可以针对特定机器学习任务进行进一步调优。虽然BERT在多项任务中都带来了超越以往最强NLP技术的实际表现，但其性能的提升，主要还是归功于双向transformer、掩蔽语言模型与下一结构预测（Next Structure Prediction），外加谷歌本身强大的数据资源与计算能力。

最近，NLP业界又出现了多种旨在改进BERT预测指标或计算速度的新方法，但却始终难以同时达成这两大提升目标。其中XLNet与RoBERTa推动性能更上一层楼，而DistilBERT则改善了推理速度。下表为各种方法之间的特性比对：

BERT及近期几种相关方法的改进效果比对： GPU时间为估算值（使用4个TPU Pod进行周期为4天的初始训练）；使用大量小批次数据，在较长的训练周期内，各方法的学习速度、步长以及掩蔽过程都有所不同；除特殊说明，相关数据来自原始论文。

XLNet

XLNet是一种大型双向transformer，采用的是一种经过改进的训练方法。这种训练方法能够利用规模更大的数据集与更强的计算能力在20项语言任务中获得优于BERT的预测指标。

为了改进训练方法，XLNet还引入了转换语言建模，其中所有标记都按照随机顺序进行预测。这就与BERT的掩蔽语言模型形成了鲜明对比。具体来讲，BERT只预测文本中的掩蔽部分（占比仅为15%）。这种方法也颠覆了传统语言模型当中，所有标记皆按顺序进行预测的惯例。新的方法帮助模型掌握了双向关系，从而更好地处理单词之间的关联与衔接方式。此外该方法还采用Transformer XL作为基础架构，以便在非排序训练场景下同样带来良好的性能表现。

XLMet已经利用超过130 GB文本数据配合512块TPU芯片进行了两天半的训练，这两项指标在规模上都超过了BERT。

RoBERTa

RoBERTa是Facebook公司推出的，经过健壮性优化的BERT改进方案。从本质上讲，RobERTa在BERT的基础上进行了再次训练，并在改善训练方法之余将数据总量与计算资源提升了10倍。

为了优化训练过程，RoBERTa移除了BERT预训练中的下一语句预测（NSP）任务，转而采用动态掩蔽以实现训练轮次中的掩蔽标记变更。此外，Facebook还证实，更大批准的训练规模确实能够提升模型性能。

更重要的是，RoBERTa利用160 GB文本进行预训练，其中包括16 GB文本语料库以及BERT所使用的英文版维基百科。其余部分则包括CommonCrawl News数据集（包含6300万篇文章，总计76 GB）、Web文本语料库（38 GB）以及来自Common Crawl的故事素材（31 GB）。这一素材组合在1024个V100 Tesla上运行了整整一天，共同为RoBERTa提供了坚实的预训练基础。

如此一来，RoBERTa在GLUE基准测试当中顺利带来优于BERT与XLNet的性能结果：

RoBERTa性能比较结果。

在另一方面，为了缩短BERT及相关模型的计算（训练、预测）时长，合乎逻辑的尝试自然是选择规模较小的网络以获得类似的性能。目前的剪枝、蒸馏与量化方法都能实现这种效果，但也都会在一定程度上降低预测性能。

DistilBERT

DistilBERT对BERT的一套蒸馏（近似）版本进行学习，性能可达BERT的约95%，但所使用的参数总量仅为BERT的一半。具体来讲，DistilBERT放弃了其中的标记类型与池化层，因此总层数仅相当于谷歌BERT的一半。DistilBER采用了蒸馏技术，即利用多个较小的神经网络共同构成大型神经网络。其中的原理在于，如果要训练一套大型神经网络，不妨先利用小型神经网络预估其完整的输出分布。这种方式有点类似于后验近似。正因为存在这样的相似性，DistilBERT自然也用到了贝叶斯统计中用于后验近似的关键优化函数之一——Kulback Leiber散度。

备注：在贝叶斯统计中，我们趋近的是真实后验值（来自数据）；但在蒸馏中，我们只能趋近由大型网络学习得出的后验值。

那么，到底该用哪种方法？

如果大家希望获得更快的推理速度，并能够接受在预测精度方面的一点点妥协，那么DistilBERT应该是最合适的选项。但是，如果各位高度关注预测性能，那么Facebook的RoBERTa无疑才是理想方案。

从理论角度看，XLNet基于排序的训练方法应该能够更好地处理依赖关系，并有望在长期运行中带来更好的性能表现。

然而谷歌BERT本身已经拥有相当强大的基准性能，因此如果各位没有特别的需求，那么继续使用原始BERT模型也是个好主意。

总结

可以看到，大多数性能提升方式（包括BERT自身）都专注于增加数据量、计算能力或者训练过程。虽然这些方法确有价值，但往往要求我们在计算与预测性能之间做出权衡。目前，我们真正需要探索的，显然是如何利用更少的数据与计算资源，帮助模型实现性能提升。

原文链接：

https://towardsdatascience.com/bert-roberta-distilbert-xlnet-which-one-to-use-3d5ab82ba5f8

创作场景

BERT、RoBERTa、DistilBERT 与 XLNet，我们到底该如何选择？