Bert Tiny Finetuned Mrpc

🚀 BERT-tinyモデル（M-FACでファインチューニング済み）

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、MRPCデータセット上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

✨ ファインチューニングの設定

デフォルトのAdamベースラインとの公平な比較のために、ここhttps://github.com/huggingface/transformers/tree/master/examples/pytorch/text-classificationで説明されていると同じフレームワークでモデルをファインチューニングし、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 = 512
dampening = 1e-6

🔍 結果

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

f1 = 83.12
accuracy = 73.52

MRPC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。

結果は、https://github.com/huggingface/transformers/blob/master/examples/pytorch/text-classification/run_glue.pyにM-FACオプティマイザのコードを追加し、以下のbashスクリプトを実行することで再現できます。

CUDA_VISIBLE_DEVICES=0 python run_glue.py \
  --seed 42 \
  --model_name_or_path prajjwal1/bert-tiny \
  --task_name mrpc \
  --do_train \
  --do_eval \
  --max_seq_length 128 \
  --per_device_train_batch_size 32 \
  --learning_rate 1e-4 \
  --num_train_epochs 5 \
  --output_dir out_dir/ \
  --optim MFAC \
  --optim_args '{"lr": 1e-4, "num_grads": 512, "damp": 1e-6}'

これらの結果は、per_device_train_batch_size、learning_rate、num_train_epochs、num_grads、dampなどのハイパーパラメータを適度に調整することで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バージョン2とGLUE）で同じハイパーパラメータを使用しています。

📚 詳細ドキュメント

M-FACのコードはここで見つけることができます：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ガイドはここで見つけることができます：https://github.com/IST-DASLab/M-FAC/tree/master/tutorials。

📄 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}
}