Albert Base V1

🚀 ALBERT Base v1

ALBERT Base v1是一個使用掩碼語言建模（MLM）目標在英文語料上預訓練的模型。它能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

你可以直接使用該模型進行掩碼語言建模，也可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-base-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

• 共享層結構：ALBERT在Transformer中共享其層，所有層具有相同的權重，這使得模型的內存佔用較小。
• 雙目標預訓練：通過掩碼語言建模（MLM）和句子順序預測（SOP）進行預訓練，學習英文語言的雙向表示。
• 多下游任務適用：可用於多種下游任務，如序列分類、標記分類或問答等。

📦 安裝指南

文檔未提及具體安裝步驟，可參考Hugging Face的transformers庫安裝說明。

💻 使用示例

基礎用法

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v1')
model = AlbertModel.from_pretrained("albert-base-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

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v1')
model = TFAlbertModel.from_pretrained("albert-base-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是一個基於自監督方式在大量英文數據語料上預訓練的transformers模型。它通過掩碼語言建模（MLM）和句子順序預測（SOP）兩個目標進行預訓練，學習英文語言的內部表示。

該模型的配置如下：

• 12個重複層
• 128維嵌入維度
• 768維隱藏維度
• 12個注意力頭
• 1100萬個參數

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。它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。對於文本生成任務，建議使用GPT2等模型。

訓練數據

ALBERT模型在BookCorpus（一個包含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，詞彙量大小為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[MASK]替換。
• 10%的情況下，被掩碼的標記被一個隨機標記替換。
• 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：

🔧 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）允許模型學習句子的雙向表示，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（SOP）則幫助模型理解句子之間的順序關係。

📄 許可證

本項目採用Apache 2.0許可證。

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}
}

⚠️ 重要提示

該模型可能存在有偏差的預測，這種偏差也會影響所有微調版本的模型。

💡 使用建議

在使用該模型進行下游任務微調時，可參考文檔中的評估結果選擇合適的模型版本。對於文本生成任務，建議使用GPT2等模型。