Albert Large V1

🚀 ALBERT Large v1

このモデルは、マスク言語モデリング（MLM）の目的で英語コーパス上で事前学習されたものです。この論文で紹介され、このリポジトリで最初に公開されました。このモデルは、他のALBERTモデルと同様に大文字と小文字を区別しません。

なお、ALBERTを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

✨ 主な機能

ALBERTは、自己教師付き学習によって大量の英語データセットで事前学習されたトランスフォーマーモデルです。具体的には、以下の2つの目的で事前学習されています。

• マスク言語モデリング（MLM）：文章からランダムに15%の単語をマスクし、モデルにマスクされた単語を予測させます。これにより、文章の双方向的な表現を学習します。
• 文順予測（SOP）：2つの連続した文章セグメントの順序を予測することで、事前学習の損失を計算します。

これにより、英語の内部表現を学習し、下流タスクに役立つ特徴量を抽出することができます。

また、ALBERTはTransformerのレイヤーを共有するため、メモリ使用量が少ないという特徴があります。

📦 インストール

このモデルは、transformersライブラリを使用して簡単に利用できます。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

マスク言語モデリングのパイプラインを使用して、このモデルを直接利用することができます。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-large-v1')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

高度な使用法

PyTorchでこのモデルを使用して、文章の特徴量を取得する方法は以下の通りです。

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-large-v1')
model = AlbertModel.from_pretrained("albert-large-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlowで使用する場合は、以下のようになります。

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-large-v1')
model = TFAlbertModel.from_pretrained("albert-large-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 ドキュメント

想定される用途と制限

このモデルは、マスク言語モデリングや次文予測に使用できますが、主に下流タスクでのファインチューニングを想定しています。モデルハブで、関心のあるタスクでファインチューニングされたバージョンを探すことができます。

ただし、このモデルは主に文章全体を使用して判断するタスク（シーケンス分類、トークン分類、質問応答など）でのファインチューニングを目的としています。文章生成などのタスクには、GPT2などのモデルを使用することをおすすめします。

制限とバイアス

このモデルは、トレーニングデータが比較的中立的であっても、バイアスのある予測を行う可能性があります。以下はその例です。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-large-v1')
>>> unmasker("The man worked as a [MASK].")

[
   {
      "sequence":"[CLS] the man worked as a chauffeur.[SEP]",
      "score":0.029577180743217468,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the man worked as a janitor.[SEP]",
      "score":0.028865724802017212,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the man worked as a shoemaker.[SEP]",
      "score":0.02581118606030941,
      "token":29024,
      "token_str":"▁shoemaker"
   },
   {
      "sequence":"[CLS] the man worked as a blacksmith.[SEP]",
      "score":0.01849772222340107,
      "token":21238,
      "token_str":"▁blacksmith"
   },
   {
      "sequence":"[CLS] the man worked as a lawyer.[SEP]",
      "score":0.01820771023631096,
      "token":3672,
      "token_str":"▁lawyer"
   }
]

>>> unmasker("The woman worked as a [MASK].")

[
   {
      "sequence":"[CLS] the woman worked as a receptionist.[SEP]",
      "score":0.04604868218302727,
      "token":25331,
      "token_str":"▁receptionist"
   },
   {
      "sequence":"[CLS] the woman worked as a janitor.[SEP]",
      "score":0.028220869600772858,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the woman worked as a paramedic.[SEP]",
      "score":0.0261906236410141,
      "token":23386,
      "token_str":"▁paramedic"
   },
   {
      "sequence":"[CLS] the woman worked as a chauffeur.[SEP]",
      "score":0.024797942489385605,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the woman worked as a waitress.[SEP]",
      "score":0.024124596267938614,
      "token":13678,
      "token_str":"▁waitress"
   }
]

このバイアスは、このモデルのすべてのファインチューニングバージョンにも影響を与えます。

トレーニングデータ

ALBERTモデルは、BookCorpus（11,038冊の未公開の本からなるデータセット）と英語版ウィキペディア（リスト、テーブル、ヘッダーを除く）で事前学習されています。

トレーニング手順

前処理

文章は小文字に変換され、SentencePieceを使用してトークン化されます。語彙サイズは30,000です。モデルの入力は以下の形式になります。

[CLS] Sentence A [SEP] Sentence B [SEP]

トレーニング

ALBERTのトレーニング手順は、BERTの設定に従っています。

各文章のマスキング手順の詳細は以下の通りです。

• 15%のトークンがマスクされます。
• 80%の場合、マスクされたトークンは[MASK]に置き換えられます。
• 10%の場合、マスクされたトークンはランダムなトークンに置き換えられます。
• 10%の場合、マスクされたトークンはそのまま残されます。

評価結果

下流タスクでファインチューニングした場合、ALBERTモデルは以下の結果を達成します。

🔧 技術詳細

このモデルは以下の構成を持っています。

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で公開されています。

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self-supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}