Chinese Roberta L 8 H 256

🚀 中国語RoBERTaミニモデルセット

このモデルセットは、中国語の自然言語処理タスクに特化した24個のRoBERTaモデルを集めたものです。公開されているコーパスを使用して訓練され、再現性が高く、多くの自然言語処理タスクで良好な性能を発揮します。

🚀 クイックスタート

モデルのダウンロード

以下の方法でモデルをダウンロードできます。

• UER-pyモデルライブラリページ
• HuggingFaceプラットフォーム（下記の表のリンクを参照）：

使用例

基本的な使用法

マスク言語モデリングに直接使用できます（RoBERTa-中型を例とします）。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='uer/chinese_roberta_L-8_H-512')
>>> unmasker("中国的首都是[MASK]京。")
[
    {'sequence': '[CLS] 中 国 的 首 都 是 北 京 。 [SEP]', 
     'score': 0.8701988458633423, 
     'token': 1266, 
     'token_str': '北'},
    {'sequence': '[CLS] 中 国 的 首 都 是 南 京 。 [SEP]',
     'score': 0.1194809079170227, 
     'token': 1298, 
     'token_str': '南'},
    {'sequence': '[CLS] 中 国 的 首 都 是 东 京 。 [SEP]', 
     'score': 0.0037803512532263994, 
     'token': 691, 
     'token_str': '东'},
    {'sequence': '[CLS] 中 国 的 首 都 是 普 京 。 [SEP]',
     'score': 0.0017127094324678183, 
     'token': 3249,
     'token_str': '普'},
    {'sequence': '[CLS] 中 国 的 首 都 是 望 京 。 [SEP]',
     'score': 0.001687526935711503,
     'token': 3307, 
     'token_str': '望'}
]

高度な使用法

PyTorchでテキスト特徴を取得する方法：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('uer/chinese_roberta_L-8_H-512')
model = BertModel.from_pretrained("uer/chinese_roberta_L-8_H-512")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlowでテキスト特徴を取得する方法：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('uer/chinese_roberta_L-8_H-512')
model = TFBertModel.from_pretrained("uer/chinese_roberta_L-8_H-512")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

✨ 主な機能

• 多様なモデルサイズ：24個の異なる規模のモデルが提供され、タスクの要件に応じて最適なモデルを選択できます。
• 高い再現性：公開コーパスを使用し、完全な訓練詳細を提供することで、結果の再現が容易です。
• 良好な性能：複数の中国語タスクの開発セットで高いスコアを達成しています。

📦 インストール

このモデルは、UER-pyまたはTencentPretrainを使用して事前学習できます。具体的なインストール手順は各リポジトリのREADMEを参照してください。

📚 ドキュメント

モデルの説明

これはUER-pyで事前学習された24個の中国語RoBERTaモデルのセットです。関連する技術的詳細はこの論文に掲載されています。また、これらのモデルはTencentPretrainを使用しても事前学習できます。このフレームワークはUER-pyを継承し、数十億パラメータのモデルをサポートし、多モーダル事前学習フレームワークに拡張されています。詳細はこの論文を参照してください。

Turcらの研究によると、標準的なBERTアプローチはさまざまな規模のモデルで有効です。これに基づいて、24個の中国語RoBERTaモデルを公開しました。結果を再現しやすくするために、公開コーパスを使用し、完全な訓練詳細を提供しています。

モデルの性能

以下は、6つの中国語タスクの開発セットでのスコアです。

各タスクでは、以下のハイパーパラメータの組み合わせから最適な設定を選択し、訓練時のシーケンス長は128としました。

• 訓練エポック数：3/5/8
• バッチサイズ：32/64
• 学習率：3e-5/1e-4/3e-4

訓練データ

CLUECorpusSmallを訓練データとして使用しました。CLUECorpus2020の方が規模が大きいにもかかわらず、CLUECorpusSmallで事前学習したモデルの方が性能が良いことがわかりました。

訓練プロセス

モデルはUER-pyを使用して騰訊クラウド上で事前学習されました。まず、シーケンス長128で1,000,000ステップ訓練し、次にシーケンス長512で250,000ステップ追加訓練しました。異なる規模のモデルでは同じハイパーパラメータが使用されています。

RoBERTa-中型を例にとると、以下のような訓練手順になります。

第1段階

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq128_dataset.pt \
                      --processes_num 32 --seq_length 128 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_seq128_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_roberta_medium_seq128_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                    --learning_rate 1e-4 --batch_size 64 \
                    --data_processor mlm --target mlm

第2段階

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq512_dataset.pt \
                      --processes_num 32 --seq_length 512 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_seq512_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_roberta_medium_seq128_model.bin-1000000 \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_roberta_medium_seq512_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                    --learning_rate 5e-5 --batch_size 16 \
                    --data_processor mlm --target mlm

Huggingface形式への変換

python3 scripts/convert_bert_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_roberta_medium_seq512_model.bin-250000 \                                                        
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 8 --type mlm

🔧 技術詳細

このモデルセットは、RoBERTaアーキテクチャに基づいており、異なるレイヤー数（L）と隠れ層の次元数（H）を持つ24個のモデルが含まれています。具体的な技術的詳細はこの論文を参照してください。

📄 ライセンス

ライセンスに関する情報は各リポジトリのREADMEを参照してください。

引用情報

@article{devlin2018bert,
  title={Bert: Pre-training of deep bidirectional transformers for language understanding},
  author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv preprint arXiv:1810.04805},
  year={2018}
}

@article{liu2019roberta,
  title={Roberta: A robustly optimized bert pretraining approach},
  author={Liu, Yinhan and Ott, Myle and Goyal, Naman and Du, Jingfei and Joshi, Mandar and Chen, Danqi and Levy, Omer and Lewis, Mike and Zettlemoyer, Luke and Stoyanov, Veselin},
  journal={arXiv preprint arXiv:1907.11692},
  year={2019}
}

@article{turc2019,
  title={Well-Read Students Learn Better: On the Importance of Pre-training Compact Models},
  author={Turc, Iulia and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv preprint arXiv:1908.08962v2 },
  year={2019}
}

@article{zhao2019uer,
  title={UER: An Open-Source Toolkit for Pre-training Models},
  author={Zhao, Zhe and Chen, Hui and Zhang, Jinbin and Zhao, Xin and Liu, Tao and Lu, Wei and Chen, Xi and Deng, Haotang and Ju, Qi and Du, Xiaoyong},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain: A Scalable and Flexible Toolkit for Pre-training Models of Different Modalities},
  author={Zhao, Zhe and Li, Yudong and Hou, Cheng and Zhao, Jing and others},
  journal={ACL 2023},
  pages={217},
  year={2023}
}