Albert Xxlarge V2

🚀 ALBERT XXLarge v2

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ています。

🚀 クイックスタート

このモデルは、マスク言語モデリングや次文予測に直接使用できますが、主に下流タスクでのファインチューニングを目的としています。詳細は「使用方法」セクションを参照してください。

✨ 主な機能

• マスク言語モデリング（MLM）と文順予測（SOP）を用いた事前学習により、英語の双方向表現を学習。
• Transformerの層を共有することで、小さなメモリフットプリントを実現。
• バージョン2は、ドロップアウト率、追加学習データ、学習時間の違いにより、ほぼすべての下流タスクでバージョン1よりも良い結果を示す。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。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できます。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v2')
>>> 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、与えられたテキストの特徴量を取得する方法は次の通りです。

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = AlbertModel.from_pretrained("albert-xxlarge-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlowでの使用方法は以下の通りです。

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = TFAlbertModel.from_pretrained("albert-xxlarge-v2")
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

モデルの説明

ALBERTは、自己教師付き学習により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）：文の中の15%の単語をランダムにマスクし、モデルにマスクされた単語を予測させます。これにより、文の双方向表現を学習します。
• 文順予測（SOP）：2つの連続したテキスト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。

このようにして学習された英語の内部表現は、下流タスクでの特徴抽出に利用できます。

ALBERTは、Transformerの層を共有することで、小さなメモリフットプリントを実現しています。ただし、計算コストは同じ数の隠れ層を持つBERTのようなアーキテクチャと同程度です。

このモデルはxxlargeモデルの第2バージョンで、ドロップアウト率、追加学習データ、学習時間の違いにより、バージョン1とは異なり、ほぼすべての下流タスクで良い結果を示します。

このモデルの構成は以下の通りです。

想定用途と制限

このモデルは、マスク言語モデリングや次文予測に直接使用できますが、主に下流タスクでのファインチューニングを目的としています。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。

このモデルは、文全体（マスクされている可能性もある）を使って判断を下すタスク、例えばシーケンス分類、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主な目的としています。テキスト生成などのタスクには、GPT2のようなモデルを使用することをお勧めします。

制限とバイアス

このモデルの学習データは比較的中立的であると言えますが、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-xxlarge-v2')
>>> 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。

学習データ

ALBERTモデルは、BookCorpus（11,038冊の未公開の本から構成されるデータセット）と英語版Wikipedia（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。

学習手順

前処理

テキスト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]

学習

ALBERTの学習手順は、BERTの設定に従っています。各文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%のケースで、マスクされたトークンは[MASK]に置き換えられます。
• 10%のケースで、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。
• 残りの10%のケースでは、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。

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}
}

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。