Chinese Roberta L 2 H 512

🚀 中文RoBERTa微型模型

本項目提供了24箇中文RoBERTa預訓練模型，可有效應用於多種中文自然語言處理任務，為相關研究和應用提供了強大的支持。

🚀 快速開始

你可以直接使用該模型進行掩碼語言建模任務。以下是使用RoBERTa-Medium模型的示例：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='uer/chinese_roberta_L-8_H-512')
>>> unmasker("中國的首都是[MASK]京。")
[
    {'sequence': '[CLS] 中 國 的 首 都 是 北 京 。 [SEP]', 
     'score': 0.8701988458633423, 
     'token': 1266, 
     'token_str': '北'},
    {'sequence': '[CLS] 中 國 的 首 都 是 南 京 。 [SEP]',
     'score': 0.1194809079170227, 
     'token': 1298, 
     'token_str': '南'},
    {'sequence': '[CLS] 中 國 的 首 都 是 東 京 。 [SEP]', 
     'score': 0.0037803512532263994, 
     'token': 691, 
     'token_str': '東'},
    {'sequence': '[CLS] 中 國 的 首 都 是 普 京 。 [SEP]',
     'score': 0.0017127094324678183, 
     'token': 3249,
     'token_str': '普'},
    {'sequence': '[CLS] 中 國 的 首 都 是 望 京 。 [SEP]',
     'score': 0.001687526935711503,
     'token': 3307, 
     'token_str': '望'}
]

在PyTorch中使用該模型獲取給定文本特徵的示例如下：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('uer/chinese_roberta_L-8_H-512')
model = BertModel.from_pretrained("uer/chinese_roberta_L-8_H-512")
text = "用你喜歡的任何文本替換我。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中使用該模型的示例如下：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('uer/chinese_roberta_L-8_H-512')
model = TFBertModel.from_pretrained("uer/chinese_roberta_L-8_H-512")
text = "用你喜歡的任何文本替換我。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

✨ 主要特性

• 多模型選擇：提供了24個不同規模的中文RoBERTa模型，涵蓋了從Tiny到Base的多種規格，可根據具體任務需求進行選擇。
• 公開訓練數據：使用公開可用的CLUECorpusSmall作為訓練數據，並提供了所有訓練細節，方便用戶復現結果。
• 多框架支持：模型可通過UER-py和TencentPretrain進行預訓練，且可轉換為Huggingface格式使用。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關庫（如transformers）的官方文檔進行安裝。

💻 使用示例

基礎用法

上述快速開始部分的掩碼語言建模和獲取文本特徵的示例即為基礎用法。

高級用法

文檔未提供高級用法示例，可根據具體任務需求，在基礎用法的基礎上進行調整和擴展。

📚 詳細文檔

模型描述

這組24箇中文RoBERTa模型由UER-py預訓練得到，相關內容在 這篇論文 中有所介紹。此外，這些模型也可以通過 TencentPretrain 進行預訓練，該框架繼承自UER-py，支持參數超過十億的模型，並將其擴展為多模態預訓練框架，相關內容見 這篇論文。

Turc等人 表明，標準的BERT訓練方法在多種模型規模上都很有效。遵循他們的研究，我們發佈了這24箇中文RoBERTa模型。為了方便用戶復現結果，我們使用了公開可用的語料庫，並提供了所有訓練細節。

你可以從 UER-py模型庫頁面 下載這24箇中文RoBERTa微型模型，也可以通過HuggingFace從以下鏈接下載：

以下是這些模型在六個中文任務開發集上的得分：

對於每個任務，我們從以下列表中選擇了最佳的微調超參數，並使用序列長度為128進行訓練：

• 訓練輪數：3, 5, 8
• 批次大小：32, 64
• 學習率：3e-5, 1e-4, 3e-4

訓練數據

使用 CLUECorpusSmall 作為訓練數據。我們發現，儘管 CLUECorpus2020 比 CLUECorpusSmall 大得多，但在 CLUECorpusSmall 上預訓練的模型表現更優。

訓練過程

模型在 騰訊雲 上通過 UER-py 進行預訓練。我們先使用序列長度為128進行1,000,000步的預訓練，然後使用序列長度為512再進行250,000步的預訓練。不同模型大小使用相同的超參數。

以 RoBERTa-Medium 為例：

階段1

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq128_dataset.pt \
                      --processes_num 32 --seq_length 128 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_seq128_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_roberta_medium_seq128_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                    --learning_rate 1e-4 --batch_size 64 \
                    --data_processor mlm --target mlm

階段2

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq512_dataset.pt \
                      --processes_num 32 --seq_length 512 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_seq512_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_roberta_medium_seq128_model.bin-1000000 \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_roberta_medium_seq512_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                    --learning_rate 5e-5 --batch_size 16 \
                    --data_processor mlm --target mlm

最後，我們將預訓練模型轉換為Huggingface格式：

python3 scripts/convert_bert_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_roberta_medium_seq512_model.bin-250000 \                                                        
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 8 --type mlm

引用信息

@article{devlin2018bert,
  title={Bert: Pre-training of deep bidirectional transformers for language understanding},
  author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv preprint arXiv:1810.04805},
  year={2018}
}

@article{liu2019roberta,
  title={Roberta: A robustly optimized bert pretraining approach},
  author={Liu, Yinhan and Ott, Myle and Goyal, Naman and Du, Jingfei and Joshi, Mandar and Chen, Danqi and Levy, Omer and Lewis, Mike and Zettlemoyer, Luke and Stoyanov, Veselin},
  journal={arXiv preprint arXiv:1907.11692},
  year={2019}
}

@article{turc2019,
  title={Well-Read Students Learn Better: On the Importance of Pre-training Compact Models},
  author={Turc, Iulia and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv preprint arXiv:1908.08962v2 },
  year={2019}
}

@article{zhao2019uer,
  title={UER: An Open-Source Toolkit for Pre-training Models},
  author={Zhao, Zhe and Chen, Hui and Zhang, Jinbin and Zhao, Xin and Liu, Tao and Lu, Wei and Chen, Xi and Deng, Haotang and Ju, Qi and Du, Xiaoyong},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain: A Scalable and Flexible Toolkit for Pre-training Models of Different Modalities},
  author={Zhao, Zhe and Li, Yudong and Hou, Cheng and Zhao, Jing and others},
  journal={ACL 2023},
  pages={217},
  year={2023}
}