Albert Xlarge V1

🚀 ALBERT XLarge v1

ALBERT XLarge v1是一個基於掩碼語言建模（MLM）目標在英文語料上預訓練的模型。它能夠學習英語語言的內在表示，可用於下游任務特徵提取，如文本分類、問答系統等。

🚀 快速開始

你可以直接使用該模型進行掩碼語言建模任務，也可以對其進行微調以應用於下游任務。具體使用方法如下：

直接使用掩碼語言建模管道

>>> 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中獲取給定文本的特徵

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中獲取給定文本的特徵

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

• 雙向表示學習：通過掩碼語言建模（MLM）任務，模型能夠學習句子的雙向表示，這與傳統的循環神經網絡（RNN）和自迴歸模型（如GPT）不同。
• 句子順序預測：ALBERT使用基於預測兩個連續文本段順序的預訓練損失，有助於模型理解句子之間的邏輯關係。
• 參數共享：該模型在Transformer層之間共享參數，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。

📚 詳細文檔

模型描述

ALBERT是一個基於自監督學習方式在大量英文語料上預訓練的Transformer模型。它通過以下兩個目標進行預訓練：

• 掩碼語言建模（MLM）：隨機掩蓋輸入句子中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段的順序來進行預訓練。

通過這種方式，模型學習到英語語言的內在表示，可用於下游任務的特徵提取。

模型配置

• 24個重複層
• 128維嵌入維度
• 2048維隱藏維度
• 16個注意力頭
• 5800萬個參數

預期用途和限制

該模型可用於掩碼語言建模或下一句預測，但主要用於下游任務的微調。需要注意的是，該模型主要針對使用整個句子（可能被掩碼）進行決策的任務，如序列分類、標記分類或問答系統。對於文本生成任務，建議使用GPT2等模型。

侷限性和偏差

儘管該模型的訓練數據相對中立，但仍可能存在有偏差的預測。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（包含11038本未出版書籍的數據集）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30000。模型的輸入形式為：

[CLS] Sentence A [SEP] Sentence 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，被掩碼的標記被替換為[MASK]。
• 10%的情況下，被掩碼的標記被替換為一個隨機標記。
• 10%的情況下，被掩碼的標記保持不變。

評估結果

當在下游任務上進行微調時，ALBERT模型取得了以下結果：

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}
}

📄 許可證

本項目採用Apache 2.0許可證。