How to Fine-Tune BERT for Text Classification 论文笔记

本文主要是介绍How to Fine-Tune BERT for Text Classification 论文笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

How to Fine-Tune BERT for Text Classification 论文笔记

论文地址：How to Fine-Tune BERT for Text Classification？

BERT在NLP任务中效果十分优秀，这篇文章对于BERT在文本分类的应用上做了非常丰富的实验，介绍了一些调参以及改进的经验，进一步挖掘BERT的潜力。

实验主要在8个被广泛研究的数据集上进行，在BERT-base模型上做了验证。

文章的主要结论如下：

1.微调（fin-tune）策略

1. 对于长文本，尝试了（1）取头部510 tokens，（2）尾部510 tokens，（3）头部128 tokens+尾部382 tokens，（4）分片并进行最大池化、平均池化、attention，发现方法（3）最好。因为文章的关键信息一般在开头和结尾。
2. 分层训练，上层对文本分类更加重要。
3. 灾难性遗忘：在下游finetune可能会遗忘预训练的知识。需要设置较小的学习率，如2e-5.
4. 分层衰减学习率（Layer-wise Decreasing Layer Rate），对下层设置更小的学习率可以得到更高的准确率，在lr=2e-

这篇关于How to Fine-Tune BERT for Text Classification 论文笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---