訓練越來越大的深度學習模型已經(jīng)成為過去十年的一個新興趨勢。如下圖所示，模型參數(shù)量的不斷增加讓神經(jīng)網(wǎng)絡的性能越來越好，也產生了一些新的研究方向，但模型的問題也越來越多。

首先，這類模型往往有訪問限制，沒有開源，或者即使開源，仍然需要大量的計算資源來運行。第二，這些網(wǎng)絡模型的參數(shù)是不能通用的，因此需要大量的資源來進行訓練和推導。第三，模型不能無限擴大，因為參數(shù)的規(guī)模受到硬件的限制。為了解決這些問題，專注于提高效率的方法正在形成一種新的研究趨勢。

近日，來自希伯來大學、華盛頓大學等多所機構的十幾位研究者聯(lián)合撰寫了一篇綜述，歸納總結了自然語言處理（NLP）領域的高效方法。

效率通常是指輸入系統(tǒng)的資源與系統(tǒng)產出之間的關系，一個高效的系統(tǒng)能在不浪費資源的情況下產生產出。在 NLP 領域，我們認為效率是一個模型的成本與它產生的結果之間的關系。

方程（1）描述了一個人工智能模型產生某種結果（R）的訓練成本（Cost）與三個（不完備的）因素成正比：

（1）在單個樣本上執(zhí)行模型的成本（E）；

（2）訓練數(shù)據(jù)集的大小（D）；

（3）模型選擇或參數(shù)調整所需的訓練運行次數(shù)（H）。

然后，可以從多個維度衡量成本 Cost(·) ，如計算、時間或環(huán)境成本中的每一個都可以通過多種方式進一步量化。例如，計算成本可以包括浮點運算（FLOPs）的總數(shù)或模型參數(shù)的數(shù)量。由于使用單一的成本指標可能會產生誤導，該研究收集和整理了關于高效 NLP 的多個方面的工作，并討論了哪些方面對哪些用例有益。

該研究旨在對提高 NLP 效率的廣泛方法做一個基本介紹，因此該研究按照典型的 NLP 模型 pipeline（下圖 2）來組織這次調查，介紹了使各個階段更高效的現(xiàn)有方法。

這項工作給 NLP 研究人員提供了一個實用的效率指南，主要面向兩類讀者：

（1）來自 NLP 各個領域的研究人員，幫助他們在資源有限的環(huán)境下工作：根據(jù)資源的瓶頸，讀者可以直接跳到 NLP pipeline 所涵蓋的某個方面。例如，如果主要的限制是推理時間，論文中第 6 章描述了相關的提高效率方法。

（2）對改善 NLP 方法效率現(xiàn)狀感興趣的研究人員。該論文可以作為一個切入點，為新的研究方向尋找機會。

下圖 3 概述了該研究歸納整理的高效 NLP 方法。

此外，雖然硬件的選擇對模型的效率有很大的影響，但大多數(shù) NLP 研究者并不能直接控制關于硬件的決定，而且大多數(shù)硬件優(yōu)化對于 NLP pipeline 中的所有階段都有用。因此，該研究將工作重點放在了算法上，但在第 7 章中提供了關于硬件優(yōu)化的簡單介紹。最后，該論文進一步討論了如何量化效率，在評估過程中應該考慮哪些因素，以及如何決定最適合的模型。