BERT的问题
BERT 发布后，在排行榜上产生了许多 NLP 任务的最新成果。但是，模型非常大，导致了一些问题。"ALBERT"论文将这些问题分为两类：
内存限制
考虑一个包含一个输入节点，两个隐藏节点和一个输出节点的简单神经网络。即使是这样一个简单的神经网络，由于每个节点有权重和偏差，因此总共有7个参数需要学习
BERT-large是一个复杂的模型，它有24个隐藏层，在前馈网络和多头注意力机制中有很多节点，总共有3.4亿个参数，如果想要从零开始训练，需要花费大量的计算资源
模型退化
最近在NLP领域的研究趋势是使用越来越大的模型，以获得更好的性能。ALBERT的研究表明，无脑堆叠模型参数可能导致效果降低
在论文中，作者做了一个有趣的实验
如果更大的模型可以带来更好的性能，为什么不将最大的 BERT 模型(BERT-large)的隐含层单元增加一倍，从 1024 个单元增加到 2048 个单元呢？
他们称之为"BERT-xlarge"。令人惊讶的是，无论是在语言建模任务还是阅读理解测试（RACE）中，这个更大的模型的表现都不如BERT-large
从原文给出的图中（下图），我们可以看到性能是如何下降的
ALBERT
概述
ALBERT利用了参数共享、矩阵分解等技术大大减少了模型参数，用SOP（Sentence Order Prediction） Loss取代NSP（Next Sentence Prediction） Loss提升了下游任务的表现。但是ALBERT的层数并未减少，因此推理时间（Inference Time）还是没有得到改进。不过参数减少的确使得训练变快，同时ALBERT可以扩展到比BERT更大的模型（ALBERT-xxlarge），因此能得到更好的表现
ALBERT的结构和BERT基本一样，采用了Transformer以及GELU激活函数。具体的创新部分有三个：
- embedding层参数因式分解
- 跨层参数共享
- 将NSP任务改为SOP任务
前两个改进的主要作用是减少参数。第三个改进其实算不上什么创新了，因为之前已经有很多工作发现BERT中NSP任务并没有什么积极的影响
Factorized Embedding Parameterization
原始的BERT模型以及各种依据Transformer的预训连语言模型都有一个共同特点，即$E=H$，其中$E$指的是Embedding Dimension，$H$指的是Hidden Dimension。这就会导致一个问题，当提升Hidden Dimension时，Embedding Dimension也需要提升，最终会导致参数量呈平方级的增加。所以ALBERT的作者将$E$和$H$进行解绑，具体的操作就是在Embedding后面加入一个矩阵进行维度变换。$E$的维度是不变的，如果$H$增大了，我们只需要在$E$后面进行一个升维操作即可
所以，ALBERT不直接将原本的one-hot向量映射到hidden space size of $H$，而是分解成两个矩阵，原本参数数量为$V*H$，$V$表示的是Vocab Size。分解成两步则减少为$V*E+E*H$，当$H$的值很大时，这样的做法能够大幅降低参数数量
$V*H=30000*768=23,040,000$
$V*E+E*H=30000*256+256*768=7,876,608$
举个例子，当$V$为30000，$H$为768，$E$为256时，参数量从2300万降低到780万
通过因式分解Embedding的实验可以看出，对于参数不共享的版本，随着$E$的增大，效果是不断提升的。但是参数共享的版本似乎不是这样，$E$最大并不是效果最好。同时也能发现参数共享对于效果可能带来1-2个点的下降
Cross-Layer Parameter Sharing
传统Transformer的每一层参数都是独立的，包括各层的self-attention、全连接。这样就导致层数增加时，参数量也会明显上升。之前有工作试过单独将self-attention或者全连接层进行共享，都取得了一些效果。ALBERT作者尝试将所有层的参数进行共享，相当于只学习第一层的参数，并在剩下的所有层中重用该层的参数，而不是每个层都学习不同的参数
同时作者通过实验还发现了，使用参数共享可以有效的提升模型稳定性，实验结果如下图
BERT-base和ALBERT使用相同的层数以及768个隐藏单元，结果BERT-base共有1.1亿个参数，而ALBERT只有3100万个参数。通过实验发现，feed-forward层的参数共享会对精度产生比较大的影响；共享注意力参数的影响是最小的
Sentence-Order Prediciton (SOP)
BERT引入了一个叫做下一个句子预测的二分类问题。这是专门为提高使用句子对，如"自然语言推理"的下游任务的性能而创建的。但是像RoBERTa和XLNet这样的论文已经阐明了NSP的无效性，并且发现它对下游任务的影响是不可靠的
因此，ALBERT提出了另一个任务——句子顺序预测。关键思想是：
- 从同一个文档中取两个连续的句子作为一个正样本
- 交换这两个句子的顺序，并使用它作为一个负样本
SOP提高了下游多种任务（SQUAD，MNLI，SST-2，RACE）的表现
Adding Data & Remove Dropout
以上ALBERT都是使用跟BERT相同的训练数据。但是增加训练数据或许可以提升模型的表现，于是ALBERT加上STORIES Dataset后总共训练了157G的数据。另外，训练到1M步的时候，模型还没有对训练集Overfit，所以作者直接把Dropout移除，最终在MLM验证集上的效果得到了大幅提升
Conclusion
刚开始看这篇文章是很惊喜的，因为它直接把同等量级的BERT缩小了10+倍，让普通用户有了运行可能。但是仔细看了实验后才发现参数量的减小是需要付出代价的
需要注意的是，Speedup是训练时间而不是Inference时间。Inference时间并未得到改善，因为即使是使用了共享参数机制，还是得跑完12层Encoder，故Inference时间跟BERT是差不多的
实验用的参数如下
可以得出的结论是：
- 在相同的训练时间下，ALBERT得到的效果确实比BERT好
- 在相同的Inference时间下，ALBERT base和large的效果都没有BERT好，而且差了2-3个点，作者在最后也提到了会继续寻找提高速度的方法（Sparse attention和Block attention）
另外，结合Universal Transformer可以想到的是，在训练和Inference阶段可以动态地调整Transformer层数（告别12、24、48的配置）。同时可以想办法去避免纯参数共享带来的效果下降，毕竟Transformer中越深层学到的任务相关信息越多，可以改进Transformer模块，加入记忆单元、每层个性化的Embedding
很棒