T5 Efficient Large

🚀 T5-Efficient-LARGE (Deep-Narrow version)

T5-Efficient-LARGEは、GoogleのオリジナルT5に基づき、T5モデルアーキテクチャに沿ったバリエーションです。これは事前学習のみのチェックポイントであり、Yi Tay, Mostafa Dehghani, Jinfeng Rao, William Fedus, Samira Abnar, Hyung Won Chung, Sharan Narang, Dani Yogatama, Ashish Vaswani, Donald Metzlerによる論文**Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers**とともに公開されました。

一言で言えば、この論文は、Deep-Narrowのモデルアーキテクチャが、同じパラメータ数の他のモデルアーキテクチャと比較して、下流の性能に有利であることを示しています。

論文から引用すると:

我々は一般的に、他の次元での均一なスケーリングを考える前に、モデルの深さを優先的に増やすDeepNarrow戦略を推奨します。これは主に、論文の前半部分で示されているように、深さがパレートフロンティアにどれだけ影響を与えるかによるものです。具体的には、高くて小さい（深くて狭い）モデルは、一般的にベースモデルよりも効率的です。同様に、高いベースモデルも、一般的に大きなモデルよりも効率的である可能性があります。我々は一般的に、サイズに関係なく、層を積み重ね続けると絶対的な性能が向上するかもしれませんが、層を増やすにつれてパレート効率の相対的な利得は減少し、32から36層で収束することを見つけています。最後に、我々がここで言う効率とは、パラメータ、FLOP、またはスループット（速度）といった任意の計算次元に関係します。我々は3つの主要な効率指標（パラメータ数、FLOP、速度）を報告し、どの計算次元を考慮するかの決定は実践者に委ねます。

より正確に言うと、モデルの深さは、順次積み重ねられたトランスフォーマーブロックの数として定義されます。したがって、単語埋め込みのシーケンスは、各トランスフォーマーブロックによって順次処理されます。

✨ 主な機能

📚 詳細なモデルアーキテクチャ

このモデルチェックポイント - t5-efficient-large - は、モデルタイプがLargeで、バリエーションはありません。このモデルは7億3772万個のパラメータを持ち、したがって、完全精度（fp32）では約2950.9 MB、半精度（fp16またはbf16）では1475.45 MBのメモリを必要とします。

オリジナルのT5モデルアーキテクチャの概要は次のとおりです:

以下の略語が使用されています:

モデルチェックポイントに特定のelまたはdlがない場合、エンコーダとデコーダの層数はどちらもnlに対応します。

📦 事前学習

このチェックポイントは、Colossal, Cleaned version of Common Crawl (C4)で、spanベースのマスク付き言語モデリング（MLM）の目的で524288ステップの事前学習が行われました。

💻 微調整

⚠️ 重要提示

このモデルは事前学習済みのチェックポイントであり、実用的な使用には微調整が必要です。このチェックポイントは英語で事前学習されているため、英語の自然言語処理タスクにのみ有用です。

モデルを微調整する方法の例は以下の通りです:

PyTorch:

• 要約
• 質問応答
• テキスト分類 - 注意: エンコーダ-デコーダモデルで動作させるために、ここでのトレーニング例を少し調整する必要があります。

Tensorflow:

• 要約
• テキスト分類 - 注意: エンコーダ-デコーダモデルで動作させるために、ここでのトレーニング例を少し調整する必要があります。

JAX/Flax:

• 要約
• テキスト分類 - 注意: エンコーダ-デコーダモデルで動作させるために、ここでのトレーニング例を少し調整する必要があります。

📄 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。