ALBERT的初衷是想解决BERT中参数量过多的问题，论文全称为：ALBERT: A Lite BERT for Self-supervised Learning of Language Representations。 

        相较于BERT，ALBERT模型减少BERT模型的参数量；预训练中的Next Sentence Prediction（NSP）任务使用了Sentence Order Prediction（SOP）进行代替；增加了n-gram mask，使用了LAMB优化器来代替AdamW，该优化器在batch size较大时效果更佳。

1 减少模型参数量

1-1 嵌入层参数分解(Factorized embedding layer parameterization )

        在BERT中，使用WordPiece分词器创建WordPiece Token。其WordPiece Token的Embedding大小被设成和隐藏层Embedding大小(向量表示大小)一样。而WordPiece  Embedding是上下文无关（context-independent）的表征，它是从词表中的独热编码向量学习的。隐藏层中的Embeddings则相反，学习一种上下文相关（context-dependent）的表征，是编码器返回的有上下文信息的表示，BERT这类模型的表征能力更多是来自这些上下文相关的表征学习。

        BERT和RoBERTa模型中，WordPiece拆分的词表映射的词向量维度E是与Transformer中的隐藏层大小H是绑定的，即E=H。为了编码更多的信息到隐藏层嵌入中，我们通常需要设置一个很大的隐藏层嵌入大小。比如，在BERT-base中，其隐藏层嵌入大小 H为768。那么隐藏层嵌入的维度是 V × H = 30000 × 768 。因为WordPiece嵌入大小E被设成预隐藏层嵌入大小一样，它的大小也为768。这样，WordPiece嵌入层的维度为 V × E = 30000 × 768 。也就是说，增加隐藏层嵌入大小H也会同时增加WordPiece嵌入大小E。解绑词向量的维度与隐藏层大小，可以根据模型的需要更加有效得利用模型的所有参数，这意味着H可以远大于E，H>>E。

        ALBERT中使用嵌入层参数分解方法将嵌入矩阵分解为更小的矩阵。将 WordPiece  Embedding 和 Hidden  Embedding分离。首先将独热向量投影到低维嵌入空间 V × E ，然后再将该低维嵌入投影到隐藏空间 E × H ，而不是直接投影独热向量到隐藏空间( V × H )。不是直接投影 V × H ，而是将这步分解为 V × E 和 E × H 。

        举个例子，假设我们词表大小 V = 30000 ，我们将 E 和 H 分离。假设我们将WordPiece嵌入大小设置为较小的维度，假设 E = 128。同时隐藏层大小保持不变，还是 H=768。现在我们通过以下步骤来投影 V × H ：

        （1）将one-hot向量投影到低维WordPiece嵌入向量空间 V × E = 30000 × 128 ；
        （2）投影WordPiece嵌入空间到隐藏空间 E × H = 128 × 768 ；
        （3）将 V × H = 30000 × 768 分解为 V × E = 30000 × 128 和 E × H = 128 × 768 。如此一来，可以随意调整隐藏层维度，而无需担心导致模型参数量增加过多。

1-2 跨层参数共享(Cross-layer parameter sharing)

         BERT包含 N 个编码器层。比如BERT-base包含12个编码器层，在训练时，需要学习所有编码器层的参数。而使用跨层参数共享的方法，我们只需要学习第一个编码器层的参数，然后让其他所有层共用这套参数。

        编码层中每一层的结构都是相同的，它们都包含多头注意力和前馈神经网络的子层。在应用跨层参数共享时有几种不同的方式：

        1.All-shared: 共享第一个编码器层的所有子层参数到其他编码器层
        2.Shared feedforward network：只共享第一个编码器层的前馈神经网络层参数到其他编码器层(的前馈神经网络)
        3.Shared attention：只共享第一个编码器层的多头注意力层参数到其他编码器层(的多头注意力层)
        ALBERT模型使用All-shared模式。如下图为BERT和ALBERT的参数对比。

2 Sentence Order Prediction（SOP）

        BERT中提出，next-sentence prediction (NSP)任务是为了提升预训练模型在下流任务的表现，比如那些需要理解句子对之间的关系的自然语言任务推理。然而，RoBERTa研究表明NSP的效果是不可靠的，消除这个预训练任务反而能够提升一些下流任务的效果。并且，NSP结合了主题预测和连贯性预测到一个任务中。为了解决这个问题，ALBERT中引入了SOP任务，SOP(句子顺序预测)基于句子间的连贯性而不是主题预测。

        从NSP的设计来看：负样本是从不同的文档中提取的语料，意味着负样本在主题和连贯性上（topic and coherence）都是偏离的。NSP是将主题预测和连贯性预测两个任务进行合并了，但是主题预测相比连贯性预测简单许多，而主题预测与MLM是存在更多的重叠了。

        在此理论基础上，ALBERT仍然认为句子间的建模能力是语言理解中一个重要部分，但是要避开主题预测，并且更关注于句子间连贯性的建模能力，提出了另外一种任务：sentence-order prediction (SOP) ：类似NSP，SOP也是一个二分类任务。在NSP中，我们训练模型去预测某个句子对是属于isNext还是notNext类别，而在SOP任务中，我们训练模型去预测给定句子对中的句子顺序是否被交换过。正样本仍然是与BERT一样，从相同的文档中提取两个连续的片段；负样本则与BERT不同，首先依旧是相同的文档中提取两个连续的片段，但是调换这个片段的顺序。

Sentence 1: She cooked pasta
Sentence 2: It was delicious 

        Sentence1和Sentence2是有连续关系的，因此我们把它们分为正例。现在我们创建一个负例，只要简单地交换这两个句子的顺序即可： 

Sentence 1: It was delicious
Sentence 2: She cooked pasta 

 3 N-gram MASK

        ALBERT在数据处理时，增加了n-gram mask。比如tokens序列为a b c d，按照原mask方法，仅存在这些mask选项：[a, b, c, d]。以3-gram为例举例可以mask的对象：mask_list = [a, b, c, d, a b, b c, c d, a b c, b c d]。

4 其他调整

    与BERT类似，ALBERT模型也使用英文维基百科和Toronto BookCorpus数据集。在预训练过程中，训练ALBERT还另外进行了一些调整：

1. 输入序列会以10%的概率让它低于最大长度512；
2. 使用LAMB优化器（针对大batch size的优化器），batch size为4096，学习率为0.00176

5  ALBERT 使用

from transformers import AlbertTokenizer, AlbertModel
model = AlbertModel.from_pretrained('albert-base-v2')
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')sentence = "Paris is a beautiful city" 
inputs = tokenizer(sentence, return_tensors="pt")
print(inputs)

Reference:

https://helloai.blog.csdn.net/article/details/120499194?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2https://helloai.blog.csdn.net/article/details/120499194?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-120499194-blog-124881981.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2