Albert Large V1

🚀 ALBERT Large v1

ALBERT Large v1是一個基於英語語料庫，採用掩碼語言模型（MLM）目標進行預訓練的模型。它能學習英語語言的內在表示，為下游任務提取有用特徵，在自然語言處理領域有廣泛應用。

🚀 快速開始

你可以直接使用此模型進行掩碼語言建模，也可以將其微調用於下游任務。以下是使用示例：

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

✨ 主要特性

• 雙向表示學習：通過掩碼語言建模（MLM），模型可以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：使用句子順序預測（SOP）損失，進一步學習文本的語義和結構。
• 參數共享：ALBERT在Transformer層之間共享權重，減少了內存佔用，但計算成本與具有相同隱藏層數的BERT架構相似。

📦 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

以下是使用此模型獲取給定文本特徵的PyTorch代碼示例：

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

高級用法

以下是在TensorFlow中使用此模型的代碼示例：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-large-v1')
model = TFAlbertModel.from_pretrained("albert-large-v1")
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是一個基於大規模英語語料庫，以自監督方式進行預訓練的Transformer模型。它通過掩碼語言建模（MLM）和句子順序預測（SOP）兩個目標進行訓練，學習英語語言的內在表示，可用於下游任務的特徵提取。

此模型是大模型的第一個版本，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。

該模型具有以下配置：

• 24個重複層
• 128維嵌入維度
• 1024維隱藏維度
• 16個注意力頭
• 1700萬個參數

預期用途和限制

你可以使用原始模型進行掩碼語言建模或下一句預測，但它主要用於下游任務的微調。此模型主要針對需要使用整個句子（可能被掩碼）進行決策的任務，如序列分類、標記分類或問答任務。對於文本生成任務，建議使用GPT2等模型。

侷限性和偏差

儘管此模型的訓練數據相對中立，但它仍可能產生有偏差的預測。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。模型的輸入格式如下：

[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[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

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}
}

🔧 技術細節

ALBERT通過共享Transformer層的權重，減少了模型的內存佔用。其掩碼語言建模（MLM）和句子順序預測（SOP）的訓練目標，使得模型能夠學習到句子的雙向表示和文本的語義結構。在訓練過程中，採用了特定的掩碼策略，以提高模型的性能。

📄 許可證

本項目採用Apache-2.0許可證。