模型压缩减少了训练好的神经网络中冗余的部分。模型压缩对于像BERT这类复杂模型来说特别有用，因为BERT，特别是BERT-Large需要消耗大量GPU显存，且根本不适用于内存受限的智能手机。当然，提高内存和推理速度也可以大规模节省成本。
在这篇文章中，整理列一些压缩BERT的一些论文，分享给大家。
Bert压缩常用方法
裁剪-训练后移除网络中不必要的部分。这包括weight裁剪、attention head裁剪、layer裁剪等。一些方法还在训练过程中通过正则化，以增加可靠性(layer dropout)。
权值矩阵分解-通过将参数矩阵分解成两个较小矩阵的乘积来逼近原始参数矩阵。这给矩阵施加了低秩约束。权值因子分解既可以应用于输入embedding(这节省了大量磁盘内存)，也可以应用于前馈/self-attention层的参数(为了提高速度)。
知识抽取——又名“Student Teacher”。根据预训练/下游数据从头开始训练一个小得多的Transformer。正常情况下，这可能会失败，但是由于未知的原因，利用全尺寸模型中的soft labels可以改进优化。一些方法还使用其他模型架构（LSTM）抽取BERT，这些模型具有更快的推理速度。其他方法则采用更深的teacher，不仅着眼于输出，还着眼于权值矩阵和隐藏的激活。
权值共享-模型中的一些权值与模型中的其他参数共享相同的值。例如，ALBERT对BERT中的每一层self-attention使用相同的权值矩阵。
量化-截断浮点数，使其仅使用几个比特(这会导致舍入误差)。量化值也可以在训练期间或之后学习。
训练前与训练后—一些方法仅通过某些下游任务来压缩BERT。其他方法则以任务无关的方式压缩BERT。
相关论文
（按压缩方法分类）
其他相关资源
Sparse Transformer: Concentrated Attention Through Explicit Selection：https://openreview.net/forum?id=Hye87grYDH
Lightweight and Efficient Neural Natural Language Processing with Quaternion Networks：http://arxiv.org/abs/1906.04393
Adaptively Sparse Transformers：https://www.semanticscholar.org/paper/f6390beca54411b06f3bde424fb983a451789733
Compressing BERT for Faster Prediction：https://blog.rasa.com/compressing-bert-for-faster-prediction-2/amp/
