资源受限如何提高模型效率？一文梳理NLP高效方法

作者：机器之心 2022-09-16 15:25:25人工智能 新闻 如果硬件跟不上需求，资源我们可以尽可能提高算法效率。受限梳理

训练越来越大的何提深度学习模型已经成为过去十年的一个新兴趋势。如下图所示，高模P高模型参数量的型效效方不断增加让神经网络的性能越来越好，也产生了一些新的率文研究方向，但模型的资源问题也越来越多。

首先，受限梳理这类模型往往有访问限制，何提没有开源，高模P高或者即使开源，型效效方仍然需要大量的率文计算资源来运行。第二，资源这些网络模型的受限梳理参数是不能通用的，因此需要大量的何提资源来进行训练和推导。第三，模型不能无限扩大，因为参数的规模受到硬件的限制。为了解决这些问题，专注于提高效率的方法正在形成一种新的研究趋势。

近日，来自希伯来大学、华盛顿大学等多所机构的十几位研究者联合撰写了一篇综述，归纳总结了自然语言处理（NLP）领域的高效方法。

论文地址：https://arxiv.org/pdf/2209.00099.pdf

效率通常是指输入系统的资源与系统产出之间的关系，一个高效的系统能在不浪费资源的情况下产生产出。在 NLP 领域，我们认为效率是一个模型的成本与它产生的结果之间的关系。

方程（1）描述了一个人工智能模型产生某种结果（R）的训练成本（Cost）与三个（不完备的）因素成正比：

（1）在单个样本上执行模型的成本（E）；

（2）训练数据集的大小（D）；

（3）模型选择或参数调整所需的训练运行次数（H）。

然后，可以从多个维度衡量成本 Cost(·) ，如计算、时间或环境成本中的每一个都可以通过多种方式进一步量化。例如，计算成本可以包括浮点运算（FLOPs）的总数或模型参数的数量。由于使用单一的成本指标可能会产生误导，该研究收集和整理了关于高效 NLP 的多个方面的工作，并讨论了哪些方面对哪些用例有益。

该研究旨在对提高 NLP 效率的广泛方法做一个基本介绍，因此该研究按照典型的 NLP 模型 pipeline（下图 2）来组织这次调查，介绍了使各个阶段更高效的现有方法。

这项工作给 NLP 研究人员提供了一个实用的效率指南，主要面向两类读者：

（1）来自 NLP 各个领域的研究人员，帮助他们在资源有限的环境下工作：根据资源的瓶颈，读者可以直接跳到 NLP pipeline 所涵盖的某个方面。例如，如果主要的限制是推理时间，论文中第 6 章描述了相关的提高效率方法。

（2）对改善 NLP 方法效率现状感兴趣的研究人员。该论文可以作为一个切入点，为新的研究方向寻找机会。

下图 3 概述了该研究归纳整理的高效 NLP 方法。

此外，虽然硬件的选择对模型的效率有很大的影响，但大多数 NLP 研究者并不能直接控制关于硬件的决定，而且大多数硬件优化对于 NLP pipeline 中的所有阶段都有用。因此，该研究将工作重点放在了算法上，但在第 7 章中提供了关于硬件优化的简单介绍。最后，该论文进一步讨论了如何量化效率，在评估过程中应该考虑哪些因素，以及如何决定最适合的模型。

感兴趣的读者可以阅读论文原文，了解更多研究细节。

责任编辑：张燕妮 来源： 机器之心 模型效率

(责任编辑：时尚)