Albert Xlarge V1

🚀 ALBERT XLarge v1

ALBERT XLarge v1是一个基于掩码语言建模（MLM）目标在英文语料上预训练的模型。它能够学习英语语言的内在表示，可用于下游任务特征提取，如文本分类、问答系统等。

🚀 快速开始

你可以直接使用该模型进行掩码语言建模任务，也可以对其进行微调以应用于下游任务。具体使用方法如下：

直接使用掩码语言建模管道

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xlarge-v1')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

在PyTorch中获取给定文本的特征

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xlarge-v1')
model = AlbertModel.from_pretrained("albert-xlarge-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中获取给定文本的特征

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xlarge-v1')
model = TFAlbertModel.from_pretrained("albert-xlarge-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

✨ 主要特性

• 双向表示学习：通过掩码语言建模（MLM）任务，模型能够学习句子的双向表示，这与传统的循环神经网络（RNN）和自回归模型（如GPT）不同。
• 句子顺序预测：ALBERT使用基于预测两个连续文本段顺序的预训练损失，有助于模型理解句子之间的逻辑关系。
• 参数共享：该模型在Transformer层之间共享参数，使得内存占用较小，但计算成本与具有相同隐藏层数的BERT架构相似。

📚 详细文档

模型描述

ALBERT是一个基于自监督学习方式在大量英文语料上预训练的Transformer模型。它通过以下两个目标进行预训练：

• 掩码语言建模（MLM）：随机掩盖输入句子中15%的单词，然后让模型预测这些被掩盖的单词，从而学习句子的双向表示。
• 句子顺序预测（SOP）：基于预测两个连续文本段的顺序来进行预训练。

通过这种方式，模型学习到英语语言的内在表示，可用于下游任务的特征提取。

模型配置

• 24个重复层
• 128维嵌入维度
• 2048维隐藏维度
• 16个注意力头
• 5800万个参数

预期用途和限制

该模型可用于掩码语言建模或下一句预测，但主要用于下游任务的微调。需要注意的是，该模型主要针对使用整个句子（可能被掩码）进行决策的任务，如序列分类、标记分类或问答系统。对于文本生成任务，建议使用GPT2等模型。

局限性和偏差

尽管该模型的训练数据相对中立，但仍可能存在有偏差的预测。这种偏差也会影响该模型的所有微调版本。

训练数据

ALBERT模型在BookCorpus（包含11038本未出版书籍的数据集）和英文维基百科（不包括列表、表格和标题）上进行预训练。

训练过程

预处理

文本先转换为小写，然后使用SentencePiece进行分词，词汇表大小为30000。模型的输入形式为：

[CLS] Sentence A [SEP] Sentence B [SEP]

训练

ALBERT的训练过程遵循BERT的设置。每个句子的掩码过程细节如下：

• 15%的标记被掩码。
• 80%的情况下，被掩码的标记被替换为[MASK]。
• 10%的情况下，被掩码的标记被替换为一个随机标记。
• 10%的情况下，被掩码的标记保持不变。

评估结果

当在下游任务上进行微调时，ALBERT模型取得了以下结果：

BibTeX引用

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self-supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本项目采用Apache 2.0许可证。