背景

BERT、XLNet、RoBERTa等基于Transformer^[1]的预训练模型推出后，自然语言理解任务都获得了大幅提升。问答任务（Question Answering，QA）^[2]也同样取得了很大的进步。

用BERT类模型来做问答或阅读理解任务，通常需要将问题和问题相关文档拼接一起作为输入文本，然后用自注意力机制对输入文本进行多层交互编码，之后用线性分类器判别文档中可能的答案序列。如下图：

虽然这种片段拼接的输入方式可以让自注意力机制对全部的token进行交互，得到的文档表示是问题相关的（反之亦然），但相关文档往往很长，token数量一般可达问题文本的10~20倍^[3]，这样就造成了大量的计算。

在实际场景下，考虑到设备的运算速度和内存大小，往往会对模型进行压缩，比如通过蒸馏（distillation）小模型、剪枝（pruning）、量化（quantization）和低轶近似／权重共享等方法。

但模型压缩还是会带来一定的精度损失。因此我们思考，是不是可以参考双塔模型的结构，提前进行一些计算，从而提升模型的推理速度？

如果这种思路可行，会有几个很大的优势：

1. 它不需要大幅修改原来的模型架构
2. 也不需要重新预训练，可以继续使用标准Transformer初始化+目标数据集fine-tune的精调方式
3. 还可以叠加模型压缩技术

经过不断地尝试，我们提出了《Deformer：Decomposing Pre-trained Transformers for Faster Question Answering》^[4]，在小幅修改模型架构且不更换预训练模型的情况下提升推理速度。下面将为大家介绍我们的思考历程。

模型结构

在开篇的介绍中，我们指出了QA任务的计算瓶颈主要在于自注意力机制需要交互编码的token太多了。因此我们猜想，是否能让文档和问题在编码阶段尽可能地独立？

这样的话，就可以提前将最难计算的文档编码算好，只需要实时编码较短的问题文本，从而加速整个QA过程。

部分研究表明，Transformer 的低层（lower layers）编码主要关注一些局部的语言表层特征（词形、语法等等），到高层（upper layers）才开始逐渐编码与下游任务相关的全局语义信息。因此我们猜想，至少在模型的某些部分，“文档编码能够不依赖于问题”的假设是成立的。 具体来说可以在 Transformer 开始的低层分别对问题和文档各自编码，然后再在高层部分拼接问题和文档的表征进行交互编码，如图所示：

为了验证上述猜想，我们设计了一个实验，测量文档在和不同问题交互时编码的变化程度。下图为各层输出的文档向量和它们中心点cosine距离的方差：

可以看到，对于BERT-Based的QA模型，如果编码的文档不变而问题变化，模型的低层表征往往变化不大。这意味着并非所有Transformer编码层都需要对整个输入文本的全部token序列进行自注意力交互。

因此，我们提出Transformer模型的一种变形计算方式（称作 DeFormer）：在前层对文档编码离线计算得到第  层表征，问题的第层表征通过实时计算，然后拼接问题和文档的表征输入到后面到层。下面这幅图示意了DeFormer的计算过程：

值得一提的是，这种方式在有些QA任务（比如SQuAD）上有较大的精度损失，所以我们添加了两个蒸馏损失项，目的是最小化Deformer的高层表征和分类层logits与原始BERT模型的差异，这样能控制精度损失在1个点左右。

实验

这里简要描述下四组关键的实验结果：

（1）在三个QA任务上，BERT和XLNet采用DeFormer分解后，取得了2.7-3.5倍的加速，节省内存65.8-72.0%，效果损失只有0.6-1.8%。BERT-base（）在SQuAD上，设置能加快推理3.2倍，节省内存70%。

（2）实测了原模型和DeFormer在三种不同硬件上的推理延迟。DeFormer均达到3倍以上的加速。

（3）消融实验证明,添加的两个蒸馏损失项能起到弥补精度损失的效果。

（4）测试DeFormer分解的层数（对应折线图横轴）对推理加速比和性能损失的影响。这个实验在SQuAD上进行，且没有使用蒸馏trick。

总结

这篇文章提主要提出了一种变形的计算方式DeFormer，使问题和文档编码在低层独立编码再在高层交互，从而使得可以离线计算文档编码来加速QA推理和节省内存。

创新之处在于它对原始模型并没有太大修改。部署简单，而效果显著。 实验结果表明基于BERT和XLNet的Deformer均能取得很好的表现。笔者推测对其他的Transformer模型应该也同样有效，并且其他模型压缩方法和技术应该也可以叠加使用到DeFormer上来进一步加速模型推理。