T5 Efficient Base Ff6000

🚀 T5-Efficient-BASE-FF6000 (Deep-Narrow version)

T5-Efficient-BASE-FF6000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モデルです。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、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、Deep-Narrowモデルアーキテクチャが下流のパフォーマンスに有利であることを示しています。

論文から引用すると、

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、論文の前のセクション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。一般的に、サイズに関係なく、レイヤーを積み重ね続けると絶対的なパフォーマンスが向上するかもしれませんが、レイヤーを増やすとパレート効率の相対的なゲインは減少し、32から36レイヤーで収束します。最後に、ここでの効率の概念は、パラメータ、FLOP、またはスループット（速度）などの任意のコンピュート次元に関連しています。私たちは3つの主要な効率メトリック（パラメータ数、FLOP、および速度）を報告し、どのコンピュート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

🔧 モデルアーキテクチャの詳細

このモデルチェックポイント - t5-efficient-base-ff6000 - はBaseタイプのモデルで、以下の変形があります。

• ff は 6000

このモデルは3億3618万個のパラメータを持ち、完全精度（fp32）では約1344.71 MB、半精度（fp16またはbf16）では672.36 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以下の通りです。

以下は使用される略語の定義です。

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レイヤー数は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524288ステップ、スパンベースのマスク言語モデリング（MLM）の目的で事前学習されました。

📚 ファインチューニング

⚠️ 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、実用的な使用にはファインチューニングが必要です。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。

以下はモデルをファインチューニングする方法の例です。

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。