Deberta Xlarge

🚀 DeBERTa：解釈可能な注意機構を持つデコード強化型BERT

DeBERTa（Decoding-enhanced BERT with Disentangled Attention）は、解釈可能な注意機構と強化型マスクデコーダーを用いて、BERTやRoBERTaモデルを改善しています。これら2つの改良により、DeBERTaは80GBのトレーニングデータを使用したほとんどの自然言語理解（NLU）タスクでRoBERTaを上回っています。

詳細情報や更新については、公式リポジトリをご覧ください。

これはDeBERTa XLargeモデルで、48層、隠れ層のサイズが1024、総パラメータ数は7.5億です。

✨ 主な機能

• 解釈可能な注意機構を採用し、モデルのテキスト意味理解能力を向上させます。
• 強化型マスクデコーダーを導入し、モデルのデコード性能を最適化します。
• 複数のNLUタスクで、BERTやRoBERTaよりも優れた結果を達成しています。

📚 ドキュメント

NLUタスクの微調整

SQuAD 1.1/2.0およびいくつかのGLUEベンチマークタスクでの開発結果を示します。

注意事項

• ¹ RoBERTaの方法に従い、RTE、MRPC、STS-Bタスクについては、DeBERTa-Large-MNLI、DeBERTa-XLarge-MNLI、DeBERTa-V2-XLarge-MNLI、DeBERTa-V2-XXLarge-MNLIをベースに微調整を行います。MNLI微調整モデルから始めると、SST-2/QQP/QNLI/SQuADv2の結果もわずかに向上しますが、ここでは事前学習ベースモデルから微調整した結果のみを報告しています。
• ² HF transformers を使用してXXLargeモデルを試す場合は、--sharded_ddpを指定する必要があります。

💻 使用例

基本的な使用法

cd transformers/examples/text-classification/
export TASK_NAME=mrpc
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta-v2-xxlarge   \
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 128   --per_device_train_batch_size 4   \
--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

引用

DeBERTaがあなたの研究に役立った場合は、以下の論文を引用してください。

@inproceedings{
he2021deberta,
title={DEBERTA: DECODING-ENHANCED BERT WITH DISENTANGLED ATTENTION},
author={Pengcheng He and Xiaodong Liu and Jianfeng Gao and Weizhu Chen},
booktitle={International Conference on Learning Representations},
year={2021},
url={https://openreview.net/forum?id=XPZIaotutsD}
}

📄 ライセンス

このプロジェクトはMITライセンスの下で提供されています。