RoBERTa 阅读笔记

https://arxiv.org/abs/1907.11692
总的来说，bert在模型上并没有做太多的改进，只是在训练数据和训练策略上进行了一个改进。

相较于BERT的改进

1. Masking策略

stastic: 原始 BERT 的 masking 是固定的，RoBERTa 给相同的 sentence 做了10个不同的mask，训练40个epoch，每个mask训练4次。
dynamic: 每次训练前再随机mask。

2. Model Input Format and No NSP

更改了模型的输入方式，并且去除了 NSP 任务，只保留 MLM 任务进行训练。然后在公开数据集上测试，发现去除 NSP 任务更好。

3. Larger Batch Size

采用了更大数据量和更大的 batch size 进行训练。

4.字节对编码 (BPE)

关于字节对编码，可以参考这篇博客：
自然语言处理中常见的字节编码对（Byte-Pair Encoding，BPE）简介
原始 bert: 采用的是字符级别的 BPE，就会像博客中的那样，将 aa 这个 sub-word 作为一个 unit 去压缩，介于字符和单词之间。
RoBERTa: 采用的是字节级别的 BPE，也就是将字母改成一串串的 01 字节，这样是基于字符级别下的字节级别，unicode占用1-4个字节，也就是8-32位字，这样做不会引入 UNK 标记。

最终模型

将以上的所有改进内容合起来就是 RoBERTa，效果如下：