本文主要用于记录华盛顿大学和FacebookAI联合发表于2019年的一篇论文（准确讲只能是报告哈哈~）。该论文提出的RoBERTa模型其实是对初代BERT的训练方法的改进。本笔记主要为方便初学者快速入门，以及自我回顾。
为了更好的理解本文，建议读者先对Bert模型有深入的理解（毕竟本文很多知识点都是建立在Bert之上的），这里也贴一个我之前的一篇论文笔记是专门来讲Bert的，大家也可以看一下加深理解。
论文链接：https://arxiv.org/pdf/1907.11692.pdf
基本目录如下：
- 摘要
- 核心思想
- 总结
------------------第一菇 - 摘要------------------
1.1 论文摘要
预训练的语言模型在这俩年取得了巨大的突破，但是如何比较各预训练模型的优劣显然是一个很有挑战的问题。主要是因为训练真的很耗钱。。。以及用不同的数据集，用不同的预训练参数，都会对最后的结果产生不同的影响。本文就重点研究了一些预训练参数和训练批大小对BERT模型的影响。研究表面，BERT远远没有被充分训练，如果训练充分且技巧运用得到，其表现完全能超过（或不逊色于）后来的预训练模型（XLNet等）。这不，该论文的升级版BERT模型，就又刷新了多项NLP基础任务的记录～
------------------第二菇 - 核心思想------------------
2.1 核心思想
本文提出了模型名为RoBERTa，看名字也知道，其并没有对BERT系模型本身架构做出了调整，而只是用不同的训练方法（不同的数据），训练得到了一个新的模型而已。具体改进的地方🈶️4个，
1）训练模型的时间更长，批大小更大，以及更多的数据。
该论文中，模型用了超过160GB的训练语料（BERT只有16GB），主要新增的语料是CC-NEWS，该语料集包含从2016年到2019年的6300万英文文章，其他的语料也都是开源的。训练的批大小，在本文也被证明是很影响其表现的一个因素（且可以并行训练），本来采用的是一个批大小为8K。
总之，这里总结一句话就是：用更多的语料+更长的训练时间+更大的批大小 = 更多的资源消耗（💰）= 更好的效果！！！～～～
2）去除掉BERT中“预测下一个句子”任务的LOSS。
本文另一个比较有趣的发现是，预测下一个句子的任务被证明其效果起到了“负面作用”。其实这个结论也是实验得出的，但就感觉上来讲，如果要作预测下一个句子但任务，相当于有时候模型的输入，会来自多个不同的文本，这可能会“hurt”模型来学习文本间的依赖关系，所以本文也建议，模型的输入最好还是属于同一个文本的。所以本文，也取消了原先BERT的这一个LOSS，实验证明其效果也有略微提升。
3）用更长的句子来训练。
本文还有一个改进就是每一个句子的输入更长，增大了max_seq，这有利于学习词之间的依赖。另外值得一提的是，其扩大了原先BERT使用的sub-char的大小，用以让模型学会看到更多的未登陆词（这个还有待研究）
4）动态更改训练数据中的遮罩词
这一个训练方法的更改也显而易见，原先BERT只有在每一个EPOCH开始训练的时候更改遮罩词（shuffle），而本论文作者发现，每一个句子输入的时候，动态生成遮罩词的方法，会比原先的训练方法得到的效果更好。。。（蛮黑科技的理论）
大概本文的更新就是这些，哎，反正基本上正常人或者公司的财力物力是不可能复现这些的了，只能当个看客，再祈祷各位金主爸爸们开源了哈哈～！
------------------第三菇 - 总结------------------
3.1 总结
到这里，整篇论文的核心思想及其创新点已经说清楚了。本论文主要集中在于阐述RoBERTa的核心思想，并且介绍了很多训练BERT系模型的技巧，并附上了详实的对比实验，来验证模型的可行性。
简单总结一下本文就是先罗列了一下该论文的摘要，再具体介绍了一下自己对RoBERTa的理解，同时根据自己的经验和作者的结论提出了一些优化训练技巧，希望能帮到大家，也有助于自己复习。总的来说，这篇论文对初代BERT的改进是众多改进版本中比较成功的也比较简单易懂。希望大家读完本文后能进一步加深对BERT结构优化的理解和运用。有说的不对的地方也请大家指出，多多交流，大家一起进步～😁
