Albert Xxlarge V2

🚀 ALBERT XXLarge v2

ALBERT XXLarge v2 是一個基於英文語料庫，採用掩碼語言模型（MLM）目標進行預訓練的模型。它能夠學習英文語言的內部表示，可用於提取對下游任務有用的特徵。

🚀 快速開始

你可以直接使用此模型進行掩碼語言建模或下一句預測，但它主要用於在下游任務上進行微調。可訪問 模型中心 查找針對你感興趣任務的微調版本。

✨ 主要特性

• 雙向表示學習：通過掩碼語言建模（MLM），模型能夠學習句子的雙向表示。
• 句子順序預測：使用基於預測兩個連續文本片段順序的預訓練損失。
• 參數共享：在 Transformer 中共享層，減少內存佔用。
• 版本優化：版本 2 由於不同的丟棄率、額外的訓練數據和更長的訓練時間，在幾乎所有下游任務中都有更好的表現。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

你可以使用管道直接進行掩碼語言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v2')
>>> 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"
   }
]

高級用法

以下是在 PyTorch 中使用此模型獲取給定文本特徵的方法：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = AlbertModel.from_pretrained("albert-xxlarge-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在 TensorFlow 中的使用方法：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = TFAlbertModel.from_pretrained("albert-xxlarge-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 詳細文檔

模型描述

ALBERT 是一個基於自監督方式在大量英文數據語料庫上進行預訓練的 Transformer 模型。它通過自動從文本中生成輸入和標籤的過程進行預訓練，主要有兩個目標：

• 掩碼語言建模（MLM）：隨機掩蓋句子中 15% 的單詞，然後讓模型預測這些被掩蓋的單詞，從而學習句子的雙向表示。
• 句子順序預測（SOP）：基於預測兩個連續文本片段的順序進行預訓練。

ALBERT 的特殊之處在於它在 Transformer 中共享層，所有層具有相同的權重，這使得內存佔用較小，但計算成本與具有相同隱藏層數的 BERT 架構相似。

此模型具有以下配置：

預期用途和侷限性

該模型主要用於需要使用整個句子（可能被掩碼）進行決策的任務，如序列分類、標記分類或問答。對於文本生成等任務，建議使用 GPT2 等模型。

侷限性和偏差

即使該模型使用的訓練數據相對中立，但它仍可能存在有偏差的預測。例如：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v2')
>>> unmasker("The man worked as a [MASK].")

[
   {
      "sequence":"[CLS] the man worked as a chauffeur.[SEP]",
      "score":0.029577180743217468,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the man worked as a janitor.[SEP]",
      "score":0.028865724802017212,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the man worked as a shoemaker.[SEP]",
      "score":0.02581118606030941,
      "token":29024,
      "token_str":"▁shoemaker"
   },
   {
      "sequence":"[CLS] the man worked as a blacksmith.[SEP]",
      "score":0.01849772222340107,
      "token":21238,
      "token_str":"▁blacksmith"
   },
   {
      "sequence":"[CLS] the man worked as a lawyer.[SEP]",
      "score":0.01820771023631096,
      "token":3672,
      "token_str":"▁lawyer"
   }
]

>>> unmasker("The woman worked as a [MASK].")

[
   {
      "sequence":"[CLS] the woman worked as a receptionist.[SEP]",
      "score":0.04604868218302727,
      "token":25331,
      "token_str":"▁receptionist"
   },
   {
      "sequence":"[CLS] the woman worked as a janitor.[SEP]",
      "score":0.028220869600772858,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the woman worked as a paramedic.[SEP]",
      "score":0.0261906236410141,
      "token":23386,
      "token_str":"▁paramedic"
   },
   {
      "sequence":"[CLS] the woman worked as a chauffeur.[SEP]",
      "score":0.024797942489385605,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the woman worked as a waitress.[SEP]",
      "score":0.024124596267938614,
      "token":13678,
      "token_str":"▁waitress"
   }
]

這種偏差也會影響該模型的所有微調版本。

訓練數據

ALBERT 模型在 BookCorpus 和 英文維基百科（不包括列表、表格和標題）上進行預訓練。

訓練過程

預處理

文本先轉換為小寫，然後使用 SentencePiece 進行分詞，詞彙表大小為 30,000。模型的輸入形式如下：

[CLS] 句子 A [SEP] 句子 B [SEP]

訓練

ALBERT 的訓練過程遵循 BERT 的設置。每個句子的掩碼過程細節如下：

• 15% 的標記被掩碼。
• 80% 的情況下，被掩碼的標記被 [MASK] 替換。
• 10% 的情況下，被掩碼的標記被隨機標記替換。
• 10% 的情況下，被掩碼的標記保持不變。

評估結果

在下游任務上進行微調時，ALBERT 模型取得了以下結果：

🔧 技術細節

文檔未提及技術實現細節，故跳過此章節。

📄 許可證

本項目採用 Apache - 2.0 許可證。