【深度学习1】ModernBert学习

ModernBERT 是一系列最先进的encoder-only模型，全面超越了旧一代BERT模型，在各个方面都有所改进，支持8192的token长度（原始bert512），下游性能更好，处理速度也更快。

1.1 模型结构设计的优化

（a）架构的优化：
Modern Transformer：

	（1）偏差项的禁用（bias terms），禁用所有线性层偏差项，除了解码器的最后一层线性层。禁用所有Layer Norms的偏差项。（将更多的计算资源节约至线性层）（2）位置编码的选择：采用旋转位置编码（Rotary positional embeddings，RoPE），而不是绝对位置编码。RoPE在长-短语境语言模型中有更好的表现。（3）归一化（Noemalization，有助于稳定训练）。采用预归一化模块（pre-normalization block）和标准层归一化（standard layer normalizaiton）。在embedding层后添加一个layerNorm，并移除第一个注意力层的第一个layerNorm。（4）激活函数。使用GeGLU激活函数，基于门控线性单元（Gated-LInear Units，GLU）对原始bert激活函数GeLU的改进。

（b）效率的优化

	（1）交替注意力机制。采用全局注意力和局部注意力交替堆叠，每个第三层采用全局注意力，其余层使用128个token长的滑动窗口的局部注意力。全局注意力每个token慧珠其它所有token，局部注意力token只关注当前滑动窗口中的token。（2）不再填充（unpadding）。在训练推理过程中均不对token进行填充补齐。将过短的token补齐存在浪费计算资源。modernbert移除padding，将小批量的所有sequence合并为一个sequence，将其作为一个batch处理。采用flash attention的可变长度注意力机制（jagged attention mask）和旋转位置编码实现。（3）flash attention。全局注意力使用flash attention v3，局部注意力使用flash attention v2.

训练出ModernBERT-base和ModernBERT-Large两个模型

layers	参数量	hidden size	GLU	expansion
ModernBERT-base	22层	149M	768	2304
ModernBERT-Large	28层	395M	2304	5248

1.2 训练

（a）数据处理

（1）数据。2万亿以英文为主的网络文档、代码和科学文献。
（2）分词器。采用现代的BPE分词器（OLMo），并保留原始bert的特殊标记（【CLS】、【SEP】等），词汇表大小50368，是64的倍数，并包含83个未使用的toekn以供下游任务应用。
（3）sequence packing的应用。解决未填充的数据中出现高方差。

（b）训练设置

（1）移除【下一句预测】预训练任务。
（2）采用StableAdamW优化器。对每个参数都进行学习率的调整。
（3）学习率的调整。采用Warmup-Stable-Decay。梯形调度经过短暂的LR热启动，然后保持一段时间的学习旅恒定，在进行短暂衰减。衰减采用1-sqrt衰减。
（4）batchsize。采用不固定的batchsize设置，确保不同batchsize有相同数量的更新步骤，可提高训练效率。从小批量逐渐增加至全局。
ModernBERT-base：将batchsize从768提升至4608（基于500亿个token）
ModernBERT-large：将batchsize从448提升至4928（基于100亿个token）
（5）权重的初始化和tiling（平铺）。采用Megetron初始化方法。
（6）文本长度的拓展。对1.7万亿tokens进行训练，序列长度为1024，RoPE参数为10000后，将全局注意力层的RoPE参数提升至160000，将Modernbert的上下文长度拓展到8192个token，并继续训练3000亿个tokens。

（c）下游任务的评估
与多个大语言模型在多个任务上进行性能对比，包括自然语言理解（NLU），文本检索（Single vector retrieval、Multi vector retrieval）、长上下文检索、Code Retrieval
github链接：https://github.com/AnswerDotAI/ModernBERT