论文阅读-Transformer Layers as Painters

1. 摘要

尽管大语言模型现在已经被广泛的应用于各种任务，但是目前对其并没有一个很好的认知。为了弄清楚删除和重组预训练模型不同层的影响，本文设计了一系列的实验。通过实验表明，预训练语言模型中的lower和final layers与中间层分布不一致，并且中间层有着惊人的一致性。

2. 模型和benchmark

• 模型：BERT-Large和Llama2
  • llama-7B：32layers， 每层包括202M参数
  • llava-13B：40layers
  • llava-70B：80layers
  • BERT-large：24layers和340M参数
• benchmark for llama2
  • ARC：science exam question
  • HellaSwag：commonsense
  • GSM8K：Math Word Problems
  • WinoGrande：Winograd Schema Challenge
  • LAMBADA：word prediction，measures perplexity
• benchmark for bert：
  • GLUE
    • CoLA (Corpus of Linguistic Acceptability): Acceptability judgments drawn from linguistic
      theory.
    • MRPC (Microsoft Research Paraphrase Corpus): Semantic equivalence for news sentences.
    • QNLI (Stanford Question Answering Dataset): Question answering from paragraphs.
    • RTE (The Recognizing Textual Entailment): Textual entailment
    • SST2 (The Stanford Sentiment Treebank): Sentiment prediction.
    • STSB (The Semantic Textual Similarity Benchmark): Sentence pair similarity.
    • WNLI (The Winograd Schema Challenge): Sentence referent selection.

3. 实验

3.1 Do layers “speak the same language”?

**实验：**跳过某层或将前后两层调换顺序，实验结果如下图所示：

从上图中可以看出，对中间的模型层调换前后2层顺序及跳过某层，在benchmark上效果波动不大；但first和last few layers则相反。因此，可以推断出middle layer和first及last few layers有不同的表征空间，且中间层间的表征空间比较相似。
为了更进一步验证这个猜想，衡量了在benchmark上不同层hidden state的activation值间的cosine similarity。结果如下图所示：

从上图中可以看出，模型基本有三种表征空间，“beginning”，“middle”和“ending”。另外，“beginning”层和“middle”层的层数似乎随着模型总层数的增加而增加，而“ending”层则会固定到单层上。

3.2 Are all the layers necessary?

实验：跳过N层，将N+1层的输出作为T-N层的输入，T为模型总层数。=> skip

从上图中可以看出，当有少量的层被跳过时，模型效果并没有降低很多。

3.3 Are middle layers all doing the same thing?

虽然中间层表征空间是一样的，那么是否表示这些层是冗余的呢？
实验：在“middle”中用中心层的参数替换其他层的参数=>middle repeat

从上图中可以看出，随着替换层数的增加，模型效果下降的越发明显。所以“middle” layer中不同层有着不同的功能。

3.4 Does the layer order matter?

实验：1. 中间层倒过来=>reverse。2. 将中间层随机打乱。


不管是随机打乱层还是倒过中间层都对模型效果有不少的影响。但随机打乱要比中间层倒装的效果要好。

3.5 Can we run the layers in parallel?

能否将不同层独立运行，然后将结果合并呢？=> parallel

除了在GSM8K数学任务上，随着并行层数的增加，模型效果有着合理的降低。

3.6 Does the order matter for some tasks more than others?

是的，在数学和推理任务上，order比较重要。在语义任务上，order就还好。

3.7 Does looping help parallelized layers?

从上图可知，并行层重复多次能够有效的改善模型效果。

从上图中可知，最佳的迭代次数（重复次数）与并行层的数量成正比。

3.8 Which variants are least harmful?

从图中可知，重复单层是效果最差的，随机中间层和并行重复策略（looped-parallel）模型效果损失最小。

• 为什么skip要比middle repeat策略要差呢？
  
  从图中可以发现，skip策略跟llama2-7B模型的cosine similarity一样。而middle repeat则发生了偏移。

4. 讨论

• 有三种不同类型的层，“beginning”，“middle”和“ending”
• 中间层有某种程度的均匀，但是不冗余。
• 模型层的执行顺序相较于语义任务，在数学和推理任务中更为重要