阿里云開源深度學(xué)習(xí)框架EasyTransfer，大幅降低NLP預(yù)訓(xùn)練和知識遷移的門檻

智能車參考 2020-10-21 18:09:50 來源：量子位

近日，阿里云正式開源了深度遷移學(xué)習(xí)框架EasyTransfer，這是業(yè)界首個面向NLP場景的深度遷移學(xué)習(xí)框架。開源鏈接：https://github.com/alibaba/EasyTransfer

該框架由阿里云機器學(xué)習(xí)PAI團隊研發(fā)，讓自然語言處理場景的模型預(yù)訓(xùn)練和遷移學(xué)習(xí)開發(fā)與部署更加簡單和高效。

面向自然語言處理場景的深度遷移學(xué)習(xí)在現(xiàn)實場景里有巨大的需求，因為大量新的領(lǐng)域不斷涌現(xiàn)，傳統(tǒng)的機器學(xué)習(xí)需要對每個領(lǐng)域都積累大量訓(xùn)練數(shù)據(jù)，這將會耗費大量標(biāo)注的人力與物力。深度遷移學(xué)習(xí)技術(shù)可以將源領(lǐng)域?qū)W到的知識遷移到新的領(lǐng)域的任務(wù)，進(jìn)而大大減少標(biāo)注的資源。

盡管面向自然語言場景的深度遷移學(xué)習(xí)有很多的需求，目前開源社區(qū)還沒有一個完善的框架，而且構(gòu)建一個簡單易用且高性能的框架有巨大挑戰(zhàn)。

首先，預(yù)訓(xùn)練模型加知識遷移現(xiàn)在是主流的NLP應(yīng)用模式，通常預(yù)訓(xùn)練模型尺寸越大學(xué)習(xí)到的知識表征越有效，然而超大的模型給框架的分布式架構(gòu)帶來了巨大挑戰(zhàn)。如何提供一個高性能的分布式架構(gòu)，從而有效支持超大規(guī)模的模型訓(xùn)練。

其次，用戶應(yīng)用場景的多樣性很高，單一的遷移學(xué)習(xí)算法無法適用，如何提供一個完備的遷移學(xué)習(xí)工具來提升下游場景的效果。

第三，從算法開發(fā)到業(yè)務(wù)落地通常需要很長的鏈路，如何提供一個簡單易用的從模型訓(xùn)練到部署的一站式服務(wù)。

面對這三大挑戰(zhàn)，PAI團隊推出了EasyTransfer，一個簡單易用且高性能的遷移學(xué)習(xí)框架?？蚣苤С种髁鞯倪w移學(xué)習(xí)算法，支持自動混合精度、編譯優(yōu)化和高效的分布式數(shù)據(jù)/模型并行策略，適用于工業(yè)級的分布式應(yīng)用場景。

值得一提的是，配合混合精度、編譯優(yōu)化和分布式策略，EasyTransfer支持的ALBERT模型比社區(qū)版的ALBERT在分布式訓(xùn)練的運算速度上快4倍多。

同時，經(jīng)過了阿里內(nèi)部10多個BU，20多個業(yè)務(wù)場景打磨，給NLP和遷移學(xué)習(xí)用戶提供了多種便利，包括業(yè)界領(lǐng)先的高性能預(yù)訓(xùn)練工具鏈和預(yù)訓(xùn)練ModelZoo，豐富易用的AppZoo，高效的遷移學(xué)習(xí)算法，以及全面兼容阿里巴巴PAI生態(tài)產(chǎn)品，給用戶提供一個從模型訓(xùn)練到部署的一站式服務(wù)。

阿里云機器學(xué)習(xí)PAI團隊負(fù)責(zé)人林偉表示： 本次開源EasyTransfer代碼，希望把阿里能力賦能給更多的用戶，降低NLP的預(yù)訓(xùn)練和知識遷移的門檻，同時也和更多伙伴一起深入合作打造一個簡單，易用，高性能的NLP和遷移學(xué)習(xí)工具。

EasyTransfer工具的框架總覽

EasyTransfer的整體框架如下圖所示，在設(shè)計上盡可能的簡化了深度遷移學(xué)習(xí)的算法開發(fā)難度?？蚣艹橄罅顺Ｓ玫腎O，layers，losses，optimizers, models，用戶可以基于這些接口開發(fā)模型，也可以直接接入預(yù)訓(xùn)練模型庫ModelZoo快速建模?？蚣苤С治宸N遷移學(xué)習(xí)(TL)范式，model finetuning，feature-based TL, instance-based TL, model-based TL和meta learning。同時，框架集成了AppZoo，支持主流的NLP應(yīng)用，方便用戶搭建常用的NLP算法應(yīng)用。最后，框架無縫兼容PAI生態(tài)的產(chǎn)品，給用戶從訓(xùn)練到部署帶來一站式的體驗。

業(yè)界領(lǐng)先的高性能預(yù)訓(xùn)練工具鏈和預(yù)訓(xùn)練ModelZoo

EasyTransfer框架支持工業(yè)級的分布式應(yīng)用場景，改善了分布式優(yōu)化器，配合自動混合精度，編譯優(yōu)化，和高效的分布式數(shù)據(jù)/模型并行策略，做到比社區(qū)版的多機多卡分布式訓(xùn)練在運算速度上快4倍多?；谶@個高性能的分布式底座，框架推出完整的預(yù)訓(xùn)練工具鏈，方便用戶預(yù)訓(xùn)練語言模型如BERT和ALBERT。值得一提的是，基于該預(yù)訓(xùn)練工具產(chǎn)出的模型在多個公開的榜單上取得好成績，比方說多輪對話榜單QuAC第一名（2019年10月），中文CLUE榜單取得第一名（2019年12月），和英文SuperGLUE榜單第二名。同時EasyTransfer集成了預(yù)訓(xùn)練模型ModelZoo，支持BERT，ALBERT，XLNet等主流模型的Continual Pretrain和Finetune，也集成了在PAI平臺上訓(xùn)練的高質(zhì)量預(yù)訓(xùn)練模型和自研的電商場景多模態(tài)模型FashionBERT。

豐富易用的AppZoo & 知識蒸餾

EasyTransfer封裝了高度易用、靈活且學(xué)習(xí)成本低的AppZoo，支持用戶在僅用幾行命令的條件下“大規(guī)?！边\行“前沿”的開源與自研算法，即可迅速接入不同場景和業(yè)務(wù)數(shù)據(jù)下的NLP應(yīng)用，包括文本向量化、匹配、分類、閱讀理解和序列標(biāo)注等。并且集成了豐富知識蒸餾算法，使得用戶能從參數(shù)量大、推理速度慢的大模型中蒸餾出參數(shù)少、推理性能高的可上線的小模型。比方說，EasyTransfer集成了任務(wù)自適應(yīng)蒸餾模型AdaBERT，從神經(jīng)架構(gòu)搜索（NAS）這個全新的角度出發(fā)，搜索出最適合目標(biāo)任務(wù)的小模型架構(gòu)，在6個NLP經(jīng)典任務(wù)上，將BERT模型壓縮到原來的1/17~1/10，推理加速達(dá)到原先的12 ~ 29倍。同時該模型相應(yīng)論文已被AI頂級會議 IJCAI 2020 所接收。

高效的遷移學(xué)習(xí)算法

EasyTransfer框架支持所有主流的遷移學(xué)習(xí)范式，包括Model Fine-tuning, Feature-based TL, Instance-based TL, Model-based TL和Meta Learning?；谶@些遷移學(xué)習(xí)范式開發(fā)了10多種算法，在阿里的業(yè)務(wù)實踐中取得了良好效果的效果。后續(xù)所有的算法都會開源到EasyTransfer代碼庫里。在具體應(yīng)用的時候，用戶可以根據(jù)下圖來選擇一種遷移學(xué)習(xí)范式來測試效果。

集成適應(yīng)多任務(wù)的自研元學(xué)習(xí)算法

EasyTransfer框架集成了基于元學(xué)習(xí)（Meta Learning）的多任務(wù)學(xué)習(xí)算法，支持用戶在訓(xùn)練特定任務(wù)的模型時利用其他任務(wù)的數(shù)據(jù)集進(jìn)行學(xué)習(xí)增強。EasyTransfer集成了自研的元調(diào)優(yōu)（Meta Fine-tuning）算法，借鑒元學(xué)習(xí)的思想，旨在學(xué)習(xí)預(yù)訓(xùn)練語言模型跨領(lǐng)域的Meta-leaner，從而使得學(xué)習(xí)的Meta-leaner可以快速遷移到特定領(lǐng)域的任務(wù)上。該算法相應(yīng)論文已被NLP頂級會議 EMNLP 2020 所接收。由于上述模型仍然具有參數(shù)量太大、推理速度慢的問題，EasyTransfer團隊進(jìn)一步自研了元知識蒸餾算法，在蒸餾階段額外對Meta-leaner進(jìn)行選擇性蒸餾，使得蒸餾得到的小模型在相應(yīng)的領(lǐng)域的效果顯著提升，逼近原始模型的效果。相關(guān)的代碼和論文會在近期發(fā)布。

全面兼容阿里巴巴PAI生態(tài)產(chǎn)品

EasyTransfer框架全面兼容PAI-Tensorflow，用戶通過簡單的代碼或配置文件修改，就可以使用PAI自研高效的分布式訓(xùn)練，編譯優(yōu)化等特性；同時框架完美兼容PAI生態(tài)的產(chǎn)品，在PAI Web組件（PAI Studio），開發(fā)平臺（PAI DSW），云原生訓(xùn)練平臺（PAI DLC），和PAI Serving平臺（PAI EAS）上均可直接使用。

應(yīng)用落地和創(chuàng)新的算法解決方案

EasyTransfer框架已在阿里集團內(nèi)數(shù)十個NLP場景落地，包括智能客服、搜索推薦、安全風(fēng)控、大文娛等，帶來了顯著業(yè)務(wù)效果的提升。目前EasyTransfer日常服務(wù)有上億次調(diào)用，月均訓(xùn)練調(diào)用量超過5萬次。EasyTransfer團隊在落地業(yè)務(wù)的同時也沉淀了很多的創(chuàng)新的算法解決方案，包括元學(xué)習(xí)，多模態(tài)預(yù)訓(xùn)練，強化遷移學(xué)習(xí)，特征遷移學(xué)習(xí)等方向的工作，共合作發(fā)表了幾十篇頂級會議文章，下面列舉一些代表性工作。這些算法一部分已經(jīng)開源，其他部分會在EasyTransfer框架里陸續(xù)開源供廣大用戶使用。

?[EMNLP 2020]. Meta Fine-Tuning Neural Language Models for Multi-Domain Text Mining. 2020.

?[SIGIR2020] FashionBERT: Text and Image Matching for Fashion Domain with Adaptive Loss. 2020.

?[IJCAI 2020] AdaBERT: Task-Adaptive BERT Compression with Differentiable Neural Architecture Search. 2020.

?[KDD 2019]. A Minimax Game for Instance based Selective Transfer Learning. 2019.

?[CIKM 2019]. Cross-domain Attention Network with Wasserstein Regularizers for E-commerce Search, 2019.

?[WWW 2019]. Multi-Domain Gated CNN for Review Helpfulness Prediction, 2019.

?[WSDM 2019]. Learning to Selectively Transfer: Reinforced Transfer Learning for Deep Text Matching. 2019.

?[WSDM 2018]. Modeling Domain Relationships for Transfer Learning on Retrieval-based Question Answering Systems in E-commerce. 2018.

?[ACL 2018]. Transfer Learning for Context-Aware Question Matching in Information-seeking Conversations in E-commerce. 2018.

?[ICDM 2017]. A Short-Term Rainfall Prediction Model using Multi-Task Convolutional Neural Networks. 2017.

最后，EasyTransfer工具是中文CLUE社區(qū)官方推薦的toolkit。同時，阿里云天池平臺將攜手CLUE社區(qū)打造一個多任務(wù)語義理解的大賽，EasyTransfer為默認(rèn)的開發(fā)工具，用戶可以基于EasyTransfer輕松搭建多任務(wù)的baseline和進(jìn)行建模和優(yōu)化，敬請大家期待。

— 完 —