Deberta V2 Xxlarge Mnli

🚀 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た場合、大多数の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、MNLIタスクでファインチューニングされたDeBERTa V2 XXLargeモデルで、48層、隠れ層のサイズは1536です。総パラメータ数は15億です。

🚀 クイックスタート

このモデルは、自然言語理解（NLU）タスクでの高性能を目指して開発されました。以下のセクションでは、モデルの性能評価結果や実行方法について説明します。

✨ 主な機能

• ディスエンタングルド・アテンション：BERTやRoBERTaを上回る性能を達成します。
• 強化されたマスク・デコーダ：学習データの利用効率を向上させます。
• 多様なNLUタスク対応：SQuADやGLUEベンチマークタスクで高い性能を発揮します。

📦 インストール

必要なライブラリをインストールするには、以下のコマンドを実行してください。

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-mnli/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には、以下のコマンドを実行してください。

export TASK_NAME=rte
output_dir="ds_results"
num_gpus=8
batch_size=4
python -m torch.distributed.launch --nproc_per_node=${num_gpus} \
  run_glue.py \
  --model_name_or_path microsoft/deberta-v2-xxlarge-mnli \
  --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には、以下のコマンドを実行してください。

cd transformers/examples/text-classification/
export TASK_NAME=rte
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta-v2-xxlarge-mnli   \
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 256   --per_device_train_batch_size 4   \
--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

📚 ドキュメント

NLUタスクでのファインチューニング

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以下に示します。

注釈

• 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ファインチューニングします。SST-2/QQP/QNLI/SQuADv2の結果も、MNLIでファインチューニングされ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ファインチューニングされた数値のみを報告します。
• ² XXLarge モデルを HF transformers で試す場合、速度が速くメモリを節約するため、deepspeed の使用をお勧めします。

🔧 技術詳細

このモデルは、ディスエンタングルド・アテンションと強化されたマスク・デコーダを用いて、BERTやRoBERTaを改善します。これにより、多様なNLUタスクで高い性能を達成します。

📄 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。

引用

もしあなたの研究でDeBERTaが役立った場合、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}
}