NLP（四十三）模型调参技巧之Warmup and Decay

  Warmup and Decay是深度学习中模型调参的常用trick。本文将简单介绍Warmup and Decay以及如何在keras_bert中使用它们。

什么是warmup and decay？

  Warmup and Decay是模型训练过程中，一种学习率（learning rate）的调整策略。
  Warmup是在ResNet论文中提到的一种学习率预热的方法，它在训练开始的时候先选择使用一个较小的学习率，训练了一些epoches或者steps(比如4个epoches,10000steps),再修改为预先设置的学习来进行训练。
  同理，Decay是学习率衰减方法，它指定在训练到一定epoches或者steps后，按照线性或者余弦函数等方式，将学习率降低至指定值。一般，使用Warmup and Decay，学习率会遵循从小到大，再减小的规律。
  由于刚开始训练时,模型的权重(weights)是随机初始化的，此时若选择一个较大的学习率,可能带来模型的不稳定(振荡)，选择Warmup预热学习率的方式，可以使得开始训练的几个epoches或者一些steps内学习率较小,在预热的小学习率下，模型可以慢慢趋于稳定，等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。而当模型训到一定阶段后（比如10个epoch），模型的分布就已经比较固定了，或者说能学到的新东西就比较少了。如果还沿用较大的学习率，就会破坏这种稳定性，用我们通常的话说，就是已经接近损失函数的局部最优值点了，为了靠近这个局部最优值点，我们就要慢慢来。

如何在keras_bert中使用Warmup and Decay？

  在keras_bert中，提供了优化器AdamWarmup类，其参数定义如下：

class AdamWarmup(keras.optimizers.Optimizer):
    """Adam optimizer with warmup.

    Default parameters follow those provided in the original paper.

    # Arguments
        decay_steps: Learning rate will decay linearly to zero in decay steps.
        warmup_steps: Learning rate will increase linearly to lr in first warmup steps.
        learning_rate: float >= 0. Learning rate.
        beta_1: float, 0 < beta < 1. Generally close to 1.
        beta_2: float, 0 < beta < 1. Generally close to 1.
        epsilon: float >= 0. Fuzz factor. If `None`, defaults to `K.epsilon()`.
        weight_decay: float >= 0. Weight decay.
        weight_decay_pattern: A list of strings. The substring of weight names to be decayed.
                              All weights will be decayed if it is None.
        amsgrad: boolean. Whether to apply the AMSGrad variant of this
            algorithm from the paper "On the Convergence of Adam and
            Beyond".
    """

    def __init__(self, decay_steps, warmup_steps, min_lr=0.0,
                 learning_rate=0.001, beta_1=0.9, beta_2=0.999,
                 epsilon=None, weight_decay=0., weight_decay_pattern=None,
                 amsgrad=False, **kwargs):

在这个类中，我们需要指定decay_steps，warmup_steps，learning_rate，min_lr，其含义为模型在训练warmup_steps后，将学习率逐渐增加至learning_rate，在训练decay_steps后，将学习率逐渐线性地降低至min_lr。
  以下为Warmup预热学习率以及学习率预热完成后衰减(sin or exp decay)的曲线图：

  在keras_bert的官方文档中，给出了使用Warmup and Decay的代码例子，如下：

import numpy as np
from keras_bert import AdamWarmup, calc_train_steps

train_x = np.random.standard_normal((1024, 100))

total_steps, warmup_steps = calc_train_steps(
    num_example=train_x.shape[0],
    batch_size=32,
    epochs=10,
    warmup_proportion=0.1,
)

optimizer = AdamWarmup(total_steps, warmup_steps, lr=1e-3, min_lr=1e-5)

Warmup and Decay实战

  笔者在文章NLP（三十四）使用keras-bert实现序列标注任务中，在使用keras-bert训练 序列标注模型时，学习率调整策略使用了ReduceLROnPlateau，代码如下：

reduce_lr = ReduceLROnPlateau(monitor='val_loss', min_delta=0.0004, patience=2, factor=0.1, min_lr=1e-6,
                                  mode='auto',
                                  verbose=1)

在三个数据集上的评估结果如下：

• 人民日报命名实体识别数据集：micro avg F1=0.9182
• 时间识别数据集：micro avg F1=0.8587
• CLUENER细粒度实体识别数据集：micro avg F1=0.7603

  我们将学习率调整策略修改为Warmup and Decay（模型其他参数不变，数据集不变），代码如下：

# add warmup
    total_steps, warmup_steps = calc_train_steps(
        num_example=len(input_train),
        batch_size=BATCH_SIZE,
        epochs=EPOCH,
        warmup_proportion=0.2,
    )
    optimizer = AdamWarmup(total_steps, warmup_steps, lr=1e-4, min_lr=1e-7)
    model = BertBilstmCRF(max_seq_length=MAX_SEQ_LEN, lstm_dim=64).create_model()
    model.compile(
        optimizer=optimizer,
        loss=crf_loss,
        metrics=[crf_accuracy]
    )

使用该trick，在三个数据集上的评估结果如下：

• 人民日报命名实体识别数据集

学习率调整	预测1	预测2	预测3	avg
Warmup	0.9276	0.9217	0.9252	0.9248

• 时间识别数据集

学习率调整	预测1	预测2	预测3	avg
Warmup	0.8926	0.8934	0.8820	0.8893

• CLUENER细粒度实体识别数据集

学习率调整	预测1	预测2	预测3	avg
Warmup	0.7612	0.7629	0.7607	0.7616

可以看到，使用了Warmup and Decay，模型在不同的数据集上均有不同程度的效果提升。
  本项目已经开源，代码地址为：https://github.com/percent4/keras_bert_sequence_labeling 。
  本文到此结束，感谢大家的阅读~
  2021年3月27日于上海浦东~