Bert L12 H240 A12

🚀 Bert-L12-h240-A12モデル

このモデルは、知識蒸留を用いてbookcorpusデータセットで事前学習されました。このモデルは、BERTと同じアーキテクチャを持ちながら、隠れ層のサイズが240であるという特徴があります。12個のアテンションヘッドを持っているため、ヘッドサイズ（20）はBERTベースモデルのもの（64）と異なります。知識蒸留は複数の損失関数を使用して行われ、モデルの重みはゼロから初期化されました。なお、トークナイザはbert-base-uncasedモデルと同じものを使用しています。

🚀 クイックスタート

モデルとトークナイザの読み込み

from transformers import AutoModelForMaskedLM, BertTokenizer

model_name = "eli4s/Bert-L12-h240-A12"
model = AutoModelForMaskedLM.from_pretrained(model_name)
tokenizer = BertTokenizer.from_pretrained(model_name)

マスク言語モデルとしての使用

import torch

sentence = "Let's have a [MASK]."

model.eval()
inputs = tokenizer([sentence], padding='longest', return_tensors='pt')
output = model(inputs['input_ids'], attention_mask=inputs['attention_mask'])

mask_index = inputs['input_ids'].tolist()[0].index(103)
masked_token = output['logits'][0][mask_index].argmax(axis=-1)
predicted_token = tokenizer.decode(masked_token)

print(predicted_token)

上位n個の関連予測の取得

top_n = 5

vocab_size = model.config.vocab_size
logits = output['logits'][0][mask_index].tolist()
top_tokens = sorted(list(range(vocab_size)), key=lambda  i:logits[i], reverse=True)[:top_n]

tokenizer.decode(top_tokens)

🔧 技術詳細

• このモデルは、bookcorpusデータセットを用いて知識蒸留により事前学習されました。
• モデルのアーキテクチャはBERTと同じですが、隠れ層のサイズは240で、12個のアテンションヘッドを持っています。
• 知識蒸留では複数の損失関数が使用され、モデルの重みはゼロから初期化されました。
• トークナイザはbert-base-uncasedモデルと同じものを使用しています。