预训练模型：DeBERTa_erlangshen deberta 怎么使用

二郎神系列开新坑啦，Deberta系列上新。

 

从19年Roberta开源以来，Roberta应该算是使用者最多的Encoder结构模型，简单、效果好，使用起来十分方便，在过去的两年内，基于Roberta(Bert)结构上的改进也层出不穷，也不乏效果还不错的，Deberta就是其中之一。

Deberta是微软在2021年开源的模型，在论文中DeBERTa: Decoding-enhanced BERT with Disentangled Attention中，微软提出了基于注意力解耦机制的解码增强型BERT，在SuperGlue中成功登顶并且超越人类水平。短短一年，Deberta已经迭代了三个版本，但是在中文领域上的相关工作还比较少，“封神榜”大模型开源计划致力于各种前沿的SOTA模型中文领域的应用，目前已经开源40+中文预训练模型。

Deberta一共有三个版本，其中v1，v2在DeBERTa: Decoding-enhanced BERT with Disentangled Attention中提出，而v3版则是在单独的一篇DeBERTa V3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing中提出。

其中v3版本跟v1、v2区别较大，本文将就Deberta V2版本的实现以及我们在Deberta上的尝试做一个简单的介绍。

论文解读

从论文的标题上我们就不难看出，Decoding-enhanced BERT with Disentangled Attention，其中两个关键词分别是：

1. Disentangled Attention：解耦注意力，在Bert模型中，Word embedding主要是由Content embedding和Position embedding简单加和得到的，在Deberta中，把Content和Position embedding做了解耦，Word embedding依旧由Content embedding和Position组成，而不是简单的加和，具有更强的表示能力。
2. Decoding-enhanced：解码增强，在Bert模型中，预训练的MASK任务在finetuning的时候会和下游任务冲突，在Deberta中设计了一个十分迷你的预测模型来做MASK解码，来避免预训练任务和下游任务上的不一致

我们分别来看看这两个优化点到底是怎么实现的。

Disentangled Attention 解耦注意力

对于一句话位置为i的token，他可以用两个vector {Hi} 和 {Pi|j} 来表示，分别蕴含Content信息和相对于位置j的相对位置编码，那么对于i,j 位置的token，注意力可以表示为

注意力公式

相当于拆解成了四个注意力机制，分别是：

• 内容到内容 content-to-content
• 内容到位置 content-to-position
• 位置到内容 position-to-content
• 位置到位置 position-to-position

在这里，Deberta使用的是Self-Attention with Relative Position Representations论文中的相对位置编码，在计算attention时使用了单独的position embedding，其实就等价于在计算content-to-content、content-to-position。作者认为在相对位置编码中，由内容到位置和位置到内容同样重要，需要完整的保留这俩矩阵才能很好的建模语言模型，所以position-to-content，由于使用了相对位置编码，position-to-position就没有意义了，所以在算注意力的时候把这一项给丢掉了。

其中相对位置的设计如下，k表示最大的相对位置

相对距离表示

基于相对位置的设计，解耦注意力的公式如下：

解耦注意力公式

其中，Qc、Kc、Vc 分别是通过Wq,c、Wk,c、Wv,c三个权重在内容向量上生成的投影，那么相对的 Qr和 Kr 就是在位置向量上生成的投影。P是全局的一个相对位置矩阵，在前向过程中保持不变。引用前几版deberta论文里面的图，画的很直接：

在原论文也直接给了伪代码实现：

伪代码

Enhanced Mask Decoder And Absolute Word Positions 增强型掩码编码器和绝对位置编码

在原文中给了一个例子， "a new store opened beside the new mall"，如果只有相对位置编码，让模型去预测store和mall不太合理，因为对于这两个词来说前面都是“new”，所以在deberta中，为了让模型更合理的理解store和mall的位置关系，在最后做MASK解码的时候，把绝对位置编码直接加在了隐层上，另外这个绝对位置编码只会在预训练的时候使用，在下游任务不会用到这个位置编码。

那么我们说的解码增强是怎么实现的，我们直接看网络结构：

增强解码器设计

跟Bert的对比，最主要的区别是右边用了一个xN的Transformer Layer作为Enhanced Mask Decoder（EMD），相当于用增加网络层数的方法来增加模型的解码能力，比如说12层的Bert，用最后两层transformer layer来做解码，可以看作一个Encoder-Decoder的结构，在Deberta的实验中，baseline使用的是12层的Bert-base模型，Deberta-Base使用11层layer作为encoder，使用2层参数共享的layer作为EMD decoder，由于参数共享实际上也就是一层，在预训练结束后再把这一层作为第12层接到11层的encoder后面，作为一个跟Bert-base相同结构相同体量的模型。

消融实验

消融实验

在原论文中，做了完整的消融实验，可以看到原论文中提出的两个优化方法解耦注意力机制和EMD解码增强都有一定的效果提升，其中解耦注意力机制提升明显。

整体论文里面细节比较多，甚至代码里面也有部分论文中没有提到的细节，所以十分建议读者自行阅读论文以及源码。

模型开源

本系列计划开源多个模型，包括

IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese 下载地址

IDEA-CCNL/Erlangshen-DeBERTa-v2-320M-Chinese 下载地址

IDEA-CCNL/Erlangshen-DeBERTa-v2-710M-Chinese 下载地址

IDEA-CCNL/Erlangshen-DeBERTa-v2-1.4B-Chinese 敬请期待

IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese是我们二郎神系列Deberta结构开源的第一个模型，基于DeBERTa-V2-Base修改，在预训练任务上，我们使用Bert形式的Whole Word Mask，随机MASK掉15%的token，在这15%里面另外有10%的token保持不变，10%的token随机从词表里选取另一词替换，其余的80%用[MASK] token替代。

训练数据基于悟道开源的180G数据，总共过了10亿 samples。

另外原论文中选用SentencePiece做做分词器，在我们之前的尝试中，发现中文场景下SentencePiece的表现并不是很好，所以这里使用的BertTokenizer作为分词器。

Xlarge 目前总共过了700M+ samples，已经得到了不错的效果，甚至在部分任务上比我们之前效果最好的13亿Erlangshen-MegatronBert更好，十分欢迎大家尝试，在实际使用中几乎可以无损替换Roberta结构的任务。

使用方式

通过下面的代码可以快速开始体验

from transformers import AutoModelForMaskedLM, AutoTokenizer, FillMaskPipeline
import torch
 
tokenizer=AutoTokenizer.from_pretrained('IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese', use_fast=false)
model=AutoModelForMaskedLM.from_pretrained('IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese')
text = '生活的真谛是[MASK]。'
fillmask_pipe = FillMaskPipeline(model, tokenizer)
print(fillmask_pipe(text, top_k=10))

下游Finetune

git clone https://github.com/IDEA-CCNL/Fengshenbang-LM
cd Fengshenbang-LM
pip install --editable .
 
fengshen-pipeline text_classification train --model='IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese' --datasets='IDEA-CCNL/AFQMC' --gpus=0 --texta_name=sentence1 --strategy=ddp

使用封神的pipeline，可以快速启动AFQMC的finetune任务，其他任务只需要按照我们的形式预处理一下数据即可。

实验评估（更新中）

跟Erlangshen-MegatronBert-1.3B模型比起来，参数量小接近50%，在OCNLI、CMNLI任务上表现更优，同时相比roberta-wwm-ext-large有更好的效果，欢迎大家直接来尝试。

---

---

---

封神榜中文DeBERTa预训练模型来了！ - 知乎