Bert Tiny Finetuned Sst2

🚀 M-FACでファインチューニングされたBERT-tinyモデル

このモデルは、最先端の2次オプティマイザであるM-FACを使用して、SST-2データセットでファインチューニングされています。M-FACの詳細については、NeurIPS 2021の論文を参照してください：https://arxiv.org/pdf/2107.03356.pdf。

🚀 クイックスタート

このモデルは、SST-2データセットでM-FACオプティマイザを用いてファインチューニングされています。M-FACの詳細については論文を参照してください。

✨ 主な機能

• M-FACオプティマイザを使用したファインチューニング
• SST-2データセットでのテキスト分類タスクに対応

📦 インストール

このモデルを使用するには、以下の手順に従ってください。まず、ファインチューニングの設定に関しては、デフォルトのAdamベースラインとの公平な比較のため、以下のフレームワークでモデルをファインチューニングします。 https://github.com/huggingface/transformers/tree/master/examples/pytorch/text-classification そして、AdamオプティマイザをM-FACに置き換えます。M-FACオプティマイザで使用されるハイパーパラメータは以下の通りです。

learning rate = 1e-4
number of gradients = 1024
dampening = 1e-6

💻 使用例

基本的な使用法

結果再現のためには、以下のリポジトリのコードにM-FACオプティマイザのコードを追加し、以下のbashスクリプトを実行します。 https://github.com/huggingface/transformers/blob/master/examples/pytorch/text-classification/run_glue.py

CUDA_VISIBLE_DEVICES=0 python run_glue.py \
  --seed 42 \
  --model_name_or_path prajjwal1/bert-tiny \
  --task_name sst2 \
  --do_train \
  --do_eval \
  --max_seq_length 128 \
  --per_device_train_batch_size 32 \
  --learning_rate 1e-4 \
  --num_train_epochs 3 \
  --output_dir out_dir/ \
  --optim MFAC \
  --optim_args '{"lr": 1e-4, "num_grads": 1024, "damp": 1e-6}'

📚 ドキュメント

結果

5回の実行の中で最良のモデルを共有し、SST-2検証セットで以下のスコアを達成しました。

accuracy = 83.02

SST-2検証セットでの5回の実行の平均と標準偏差は以下の通りです。

ハイパーパラメータ per_device_train_batch_size、learning_rate、num_train_epochs、num_grads、damp を適切に調整することで、これらの結果を改善できると考えています。公平な比較と堅牢なデフォルト設定のために、すべてのモデル (bert-tiny、bert-mini) とすべてのデータセット (SQuAD version 2とGLUE) で同じハイパーパラメータを使用しています。

M-FACのコードはこちらにあります：https://github.com/IST-DASLab/M-FAC。 任意のリポジトリでM-FACを統合して使用する方法のステップバイステップチュートリアルはこちらにあります：https://github.com/IST-DASLab/M-FAC/tree/master/tutorials。

📄 ライセンス

BibTeXエントリと引用情報

@article{frantar2021m,
  title={M-FAC: Efficient Matrix-Free Approximations of Second-Order Information},
  author={Frantar, Elias and Kurtic, Eldar and Alistarh, Dan},
  journal={Advances in Neural Information Processing Systems},
  volume={35},
  year={2021}
}