Deberta V3 Xsmall

🚀 DeBERTaV3: 勾配分離埋め込み共有を用いたELECTRAスタイルの事前学習によるDeBERTaの改善

DeBERTaは、分離型注意機構と強化されたマスクデコーダを使用して、BERTとRoBERTaモデルを改善します。これら2つの改善により、DeBERTaは80GBの学習データを使用して、大多数のNLUタスクでRoBERTaを上回ります。

DeBERTa V3では、勾配分離埋め込み共有を用いたELECTRAスタイルの事前学習を使用して、DeBERTaの効率をさらに改善しました。DeBERTaと比較して、V3バージョンは下流タスクでのモデル性能を大幅に向上させています。新しいモデルに関する詳細な技術情報は、論文を参照してください。

より詳細な実装情報と更新内容については、公式リポジトリを確認してください。

DeBERTa V3 xsmallモデルは12層で、隠れ層のサイズは384です。バックボーンのパラメータはわずか22Mで、語彙数は128Kトークンで、埋め込み層に48Mのパラメータが導入されています。このモデルは、DeBERTa V2と同じく160GBのデータを使用して学習されました。

🚀 クイックスタート

🔍 NLUタスクでの微調整

SQuAD 2.0とMNLIタスクの開発結果を提示します。

💻 使用例

HFトランスフォーマーでの微調整

#!/bin/bash

cd transformers/examples/pytorch/text-classification/

pip install datasets
export TASK_NAME=mnli

output_dir="ds_results"

num_gpus=8

batch_size=8

python -m torch.distributed.launch --nproc_per_node=${num_gpus} \
  run_glue.py \
  --model_name_or_path microsoft/deberta-v3-xsmall \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --evaluation_strategy steps \
  --max_seq_length 256 \
  --warmup_steps 1000 \
  --per_device_train_batch_size ${batch_size} \
  --learning_rate 4.5e-5 \
  --num_train_epochs 3 \
  --output_dir $output_dir \
  --overwrite_output_dir \
  --logging_steps 1000 \
  --logging_dir $output_dir

📚 ドキュメント

引用

DeBERTaがあなたの研究に役立った場合、以下の論文を引用してください。

@misc{he2021debertav3,
      title={DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing}, 
      author={Pengcheng He and Jianfeng Gao and Weizhu Chen},
      year={2021},
      eprint={2111.09543},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@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}
}

📄 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。