Deberta V2 Xlarge

🚀 DeBERTa: Decoding-enhanced BERT with Disentangled Attention

DeBERTa は、分離型アテンションと強化されたマスクデコーダを用いて、BERT と RoBERTa モデルを改善します。80GB の学習データを用いて、大多数の自然言語理解（NLU）タスクで BERT と 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、24 層、隠れ層サイズ 1536 の DeBERTa V2 xlarge モデルです。総パラメータ数は 9 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

本READMEでは、DeBERTaの概要、微調整結果、使用上の注意事項、引用情報を提供しています。

✨ 主な機能

• 分離型アテンションと強化されたマスクデコーダを用いて、BERT と RoBERTa を改善
• 多数の NLU タスクで高い性能を発揮

📚 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提示します。

注釈

• ¹ RoBERTa に従い、RTE、MRPC、STS-B のタスクについては、DeBERTa-Large-MNLI、DeBERTa-XLarge-MNLI、DeBERTa-V2-XLarge-MNLI、DeBERTa-V2-XXLarge-MNLI をベースに微調整します。SST-2/QQP/QNLI/SQuADv2 の結果も、MNLI で微調整したモデルから始めると若干改善されますが、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した数値のみを報告しています。
• ² XXLarge モデルを HF transformers で試すには、--sharded_ddp を指定する必要があります。

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、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。