Albert Base V2

🚀 ALBERT Base v2

ALBERT Base v2是一個基於英文語料庫，通過掩碼語言模型（MLM）目標進行預訓練的模型。它能學習到英文語言的內在表示，為下游任務提取有用特徵，在多個自然語言處理任務中表現出色。

🚀 快速開始

你可以直接使用該模型進行掩碼語言建模任務。以下是使用示例：

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

✨ 主要特性

• 自監督預訓練：在大量英文數據語料庫上以自監督方式進行預訓練，通過自動處理從原始文本生成輸入和標籤，學習到英文語言的內在表示。
• 雙目標預訓練：採用掩碼語言建模（MLM）和句子順序預測（SOP）兩個目標進行預訓練，能夠學習句子的雙向表示。
• 參數共享：在Transformer中共享層，所有層具有相同的權重，內存佔用小，但計算成本與具有相同隱藏層數的BERT架構相似。
• 版本優化：版本2相較於版本1，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，跳過該章節。

💻 使用示例

基礎用法

使用該模型進行掩碼語言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-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

在PyTorch中獲取給定文本的特徵：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')
model = AlbertModel.from_pretrained("albert-base-v2")
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-base-v2')
model = TFAlbertModel.from_pretrained("albert-base-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Transformer架構的模型，在大量英文數據語料庫上以自監督方式進行預訓練。它通過自動處理從原始文本生成輸入和標籤，無需人工標註。具體來說，它採用了兩個預訓練目標：

• 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。與傳統的循環神經網絡（RNN）和自迴歸模型（如GPT）不同，MLM允許模型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的預訓練損失。

通過這兩個目標，模型學習到英文語言的內在表示，可用於下游任務的特徵提取。

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。使用重複層可以減少內存佔用，但計算成本與具有相同隱藏層數的BERT架構相似。

這是基礎模型的第二個版本。版本2與版本1不同，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：

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，但它主要用於在下游任務上進行微調。請參閱模型中心，查找你感興趣的任務的微調版本。

請注意，該模型主要用於需要使用整個句子（可能被掩碼）來做出決策的任務，如序列分類、標記分類或問答。對於文本生成等任務，你應該考慮使用GPT2等模型。

侷限性和偏差

即使該模型使用的訓練數據可以被認為是相當中立的，但它仍然可能產生有偏差的預測：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-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

文本首先進行小寫處理，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] 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%的標記被掩蓋。
• 在80%的情況下，被掩蓋的標記被替換為[MASK]。
• 在10%的情況下，被掩蓋的標記被替換為一個隨機標記。
• 在剩下的10%的情況下，被掩蓋的標記保持不變。

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：

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

文檔未提供具體的技術實現細節，跳過該章節。

📄 許可證

該模型採用Apache 2.0許可證。