Deberta V2 Xxlarge

🚀 DeBERTa: ディスエンタングルド・アテンションを用いたデコード強化型BERT

DeBERTaは、ディスエンタングルド・アテンションと強化型マスク・デコーダを用いて、BERTとRoBERTaモデルを改善します。80GBの学習データで、大多数の自然言語理解（NLU）タスクにおいてBERTやRoBERTaを上回る性能を発揮します。

詳細と更新情報については、公式リポジトリをご確認ください。

これは、48層、隠れ層サイズ1536のDeBERTa V2 xxlargeモデルです。総パラメータ数は15億で、160GBの生データで学習されています。

🚀 クイックスタート

このセクションでは、DeBERTaモデルの概要と、主な機能を紹介します。また、NLUタスクでの微調整結果や、モデルの実行方法、引用情報についても説明します。

✨ 主な機能

• ディスエンタングルド・アテンションと強化型マスク・デコーダを用いて、BERTとRoBERTaモデルを改善。
• 大多数のNLUタスクにおいて、BERTやRoBERTaを上回る性能を発揮。

📦 インストール

Deepspeedを使用して実行する場合、以下のコマンドを実行して必要なパッケージをインストールします。

pip install datasets
pip install deepspeed

# ディープスピードの設定ファイルをダウンロード
wget https://huggingface.co/microsoft/deberta-v2-xxlarge/resolve/main/ds_config.json -O ds_config.json

💻 使用例

基本的な使用法

Deepspeedを使用してモデルを実行する例です。

export TASK_NAME=mnli
output_dir="ds_results"
num_gpus=8
batch_size=8
python -m torch.distributed.launch --nproc_per_node=${num_gpus} \
  run_glue.py \
  --model_name_or_path microsoft/deberta-v2-xxlarge \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --max_seq_length 256 \
  --per_device_train_batch_size ${batch_size} \
  --learning_rate 3e-6 \
  --num_train_epochs 3 \
  --output_dir $output_dir \
  --overwrite_output_dir \
  --logging_steps 10 \
  --logging_dir $output_dir \
  --deepspeed ds_config.json

高度な使用法

--sharded_ddpを使用して実行する例です。

cd transformers/examples/text-classification/
export TASK_NAME=mnli
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta-v2-xxlarge   \
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 256   --per_device_train_batch_size 8   \
--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

📚 ドキュメント

NLUタスクでの微調整

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。

注記

• ¹ RoBERTaに従い、RTE、MRPC、STS-Bについては、DeBERTa-Large-MNLI、DeBERTa-XLarge-MNLI、DeBERTa-V2-XLarge-MNLI、DeBERTa-V2-XXLarge-MNLIをベースにタスクを微調整します。SST-2/QQP/QNLI/SQuADv2の結果も、MNLIで微調整されたモデルから始めるとわずかに改善されますが、これら4つのタスクについては、事前学習されたベースモデルから微調整された数値のみを報告します。
• ² HF transformers で XXLarge モデルを試す場合は、高速でメモリを節約するため、deepspeed の使用をお勧めします。

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ライセンスの下で公開されています。