人工智能咨询培训老师叶梓 转载标明出处

预训练语言模型通过微调（fine-tuning）来适应特定任务虽然效果显著，但存在训练成本高、参数存储量大等问题。为了解决这些问题，清华大学的研究者们提出了一种名为P-Tuning v2的提示调整（prompt tuning）方法，该方法在不同规模的模型和多种自然语言理解（NLU）任务中表现出与微调相媲美的性能，同时大幅减少了训练时的存储和内存使用。

图1显示在SuperGLUE开发集上，不同规模的预训练模型（从330M到10B参数）在RTE、BoolQ和CB任务上的平均得分。P-Tuning v2的关键特点包括：

• 多层面的提示调整：与传统的仅在输入层进行提示调整的方法不同，P-Tuning v2在模型的每一层都添加了提示，使得模型能够更直接地响应任务特定的需求。
• 参数效率：P-Tuning v2只需要调整极小比例的参数（0.1%-3%），大大降低了训练时的内存成本和任务存储成本。
• 通用性和简单性：P-Tuning v2在不同规模的模型和多种NLU任务上都表现出色，证明了其通用性和作为未来研究强基线（strong baseline）的潜力。

论文链接：https://arxiv.org/pdf/2110.07602

方法

图 2 展示了P-Tuning v2与其他提示调整方法的区别。图中橙色块表示可训练的提示嵌入（trainable prompt embeddings），而蓝色块表示由冻结的预训练语言模型存储或计算的嵌入。这种设计使得P-Tuning v2在不同规模和任务上都能达到与微调相媲美的性能。

(a)：这一部分展示了Lester et al. (2021) 和 P-tuning 方法的结构，主要用于处理简单任务，且模型规模为10亿参数级别。在这种方法中，可训练的提示嵌入被添加到输入序列中，而预训练模型的参数则被冻结。尽管Lester et al. (2021) 和 Liu et al. (2021) 在许多自然语言处理（NLP）应用中表现出色，但在模型规模和任务上的普遍性不足，限制了它们替代微调的能力。特别是对于中等规模的模型（参数量从100M到1B），提示调整的性能远不如微调。

(b)：这一部分展示了P-tuning v2 方法的结构，它适用于大多数模型规模和任务。P-Tuning v2采用了深度提示调整策略。与之前的方法相比，P-Tuning v2在模型的多个层次上引入了可训练的连续提示，而不仅仅是输入层。这种策略不仅增加了可训练参数的数量，提高了任务特定性能，而且通过在更深层次添加提示，直接增强了模型预测的能力。

如图2所示P-Tuning v2的结构中，提示被添加到不同的Transformer层作为前缀标记。一方面，P-Tuning v2具有更多的可训练任务特定参数（从0.01%到0.1%-3%），这允许更多的任务特定容量，同时保持参数效率；另一方面，添加到更深层次的提示对模型预测有更直接的影响。

为了实现最佳性能，P-Tuning v2在优化和实现方面进行了细致的调整。例如：

重参数化：研究发现其对不同任务和数据集的效果不一。在某些数据集（如RTE和CoNLL04）上，使用MLP（多层感知机）作为重参数化编码器可以带来一致的性能提升；而在其他数据集（如BoolQ和CoNLL12）上，MLP的效果则不明显。

提示长度： 提示长度在P-Tuning v2中起着至关重要的作用。研究者们发现，不同的NLU任务通常需要不同长度的提示来达到最佳性能。简单分类任务倾向于较短的提示，而复杂序列标注任务则需要更长的提示。

多任务学习： P-Tuning v2支持多任务学习，这可以在微调各个任务之前，通过共享连续提示共同优化多个任务，从而提供更好的初始化，进一步提升性能。

表 1 展示了P-Tuning v2与现有提示调整方法的概念比较。表中列出了不同方法在任务、重参数化、深度提示调整和多任务学习等方面的支持情况。P-Tuning v2在这些方面都表现出了较高的灵活性和适应性。

通过这些优化和实现细节，P-Tuning v2不仅在技术上实现了显著的改进，而且在实际应用中也展现出了广泛的适用性和高效性。研究者们的这些发现为未来NLU任务的研究和应用提供了新的视角和工具。

想要掌握如何将大模型的力量发挥到极致吗？2024年10月26日叶老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。

留言“参加”即可来叶老师的直播间互动，1小时讲解让您轻松上手，学习如何使用 Llama Factory 微调模型。

实验

表 2 展示了 P-Tuning v2 在不同模型规模上的表现。研究者们使用了从 335M 到 10B 不同规模的模型进行实验，包括 BERT-large、RoBERTa-large、GLMxlarge/xxlarge。

在 SuperGLUE 基准测试中，P-Tuning v2 在小于 10B 规模的模型上超越了 Lester et al. (2021) 和 P-tuning，与微调（fine-tuning）的性能相匹配。特别是在 RTE 任务上，P-Tuning v2 显著优于微调。

对于更大的模型规模（2B 到 10B），P-Tuning v2 与微调之间的性能差距逐渐缩小。在 10B 规模上，P-Tuning v2 显示出与微调相当的性能，但仅需要 0.1% 的任务特定参数。

表 3 展示了 P-Tuning v2 在命名实体识别（NER）、抽取式问答（Extractive QA）和语义角色标注（SRL）等任务上的表现。

P-Tuning v2 在所有任务上通常与微调相当。特别是在 QA 任务上，P-Tuning 和 Lester et al. (2021) 显示出较差的性能，这可能是因为 QA 任务的复杂性。多任务学习为 P-Tuning v2 在大多数任务上带来了显著的性能提升，除了 QA 任务。

表 4 比较了在 RoBERTa-large 模型上使用 [CLS] 标签与线性头和使用 verbalizer 与语言模型头的效果。研究者们发现，使用 [CLS] 标签与线性头与使用 verbalizer 与语言模型头在性能上没有显著差异。

图 3 展示了在 BERT-large 模型上进行的关于提示深度的消融研究。研究者们探讨了在不同 Transformer 层添加连续提示的影响。结果显示，将相同数量的提示添加到更接近输出层的深层（例如，17-24 层）比添加到较浅层能带来更好的性能。

通过这些实验，研究者们证明了 P-Tuning v2 在不同规模的模型和多种 NLU 任务上的普遍有效性。P-Tuning v2 通过深度提示调整，不仅提高了模型的性能，还显著减少了所需的任务特定参数数量，使其成为一种高效的参数调整方法。这些发现为未来 NLU 任务的研究和应用提供了新的视角和工具。