T5 Base

🚀 T5 Base 模型卡片

T5 Base 是一個具有 2.2 億參數的語言模型，它將所有 NLP 任務統一為文本到文本的格式，可應用於機器翻譯、文檔摘要、問答等多種任務。

🚀 快速開始

使用以下代碼開始使用該模型：

from transformers import T5Tokenizer, T5Model

tokenizer = T5Tokenizer.from_pretrained("t5-base")
model = T5Model.from_pretrained("t5-base")

input_ids = tokenizer(
    "Studies have been shown that owning a dog is good for you", return_tensors="pt"
).input_ids  # Batch size 1
decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids  # Batch size 1

# forward pass
outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)
last_hidden_states = outputs.last_hidden_state

更多示例請參考 Hugging Face T5 文檔 和模型開發者創建的 Colab 筆記本。

✨ 主要特性

• 統一的文本到文本格式：可以使用相同的模型、損失函數和超參數處理各種 NLP 任務。
• 多語言支持：支持英語、法語、羅馬尼亞語和德語。

📦 模型詳情

模型描述

文本到文本轉移變換器（T5）的開發者在 博客文章 中寫道：

通過 T5，我們提出將所有 NLP 任務重構為統一的文本到文本格式，其中輸入和輸出始終是文本字符串，這與只能輸出類別標籤或輸入跨度的 BERT 風格模型形成對比。我們的文本到文本框架允許我們在任何 NLP 任務上使用相同的模型、損失函數和超參數。

T5-Base 是具有 2.2 億參數的檢查點。

• 開發者：Colin Raffel、Noam Shazeer、Adam Roberts、Katherine Lee、Sharan Narang、Michael Matena、Yanqi Zhou、Wei Li、Peter J. Liu。請參閱 相關論文 和 GitHub 倉庫
• 模型類型：語言模型
• 支持語言：英語、法語、羅馬尼亞語、德語
• 許可證：Apache 2.0
• 相關模型：所有 T5 檢查點
• 更多信息資源：
  • 研究論文
  • Google 的 T5 博客文章
  • GitHub 倉庫
  • Hugging Face T5 文檔

模型用途

直接使用和下游使用

開發者在 博客文章 中指出，該模型：

我們的文本到文本框架允許我們在任何 NLP 任務上使用相同的模型、損失函數和超參數，包括機器翻譯、文檔摘要、問答和分類任務（如情感分析）。我們甚至可以通過訓練 T5 預測數字的字符串表示而不是數字本身，將其應用於迴歸任務。

更多詳細信息請參閱 博客文章 和 研究論文。

訓練詳情

訓練數據

該模型在 大規模清潔爬取語料庫（C4） 上進行預訓練，該語料庫是在與 T5 相同的 研究論文 背景下開發和發佈的。

該模型在無監督（1）和有監督任務（2）的多任務混合上進行預訓練。 因此，以下數據集用於（1）和（2）：

1. 用於無監督去噪目標的數據集：

• C4
• Wiki-DPR

2. 用於有監督文本到文本語言建模目標的數據集：

• 句子可接受性判斷
  • CoLA Warstadt 等人，2018
• 情感分析
  • SST-2 Socher 等人，2013
• 釋義/句子相似度
  • MRPC Dolan 和 Brockett，2005
  • STS-B Ceret 等人，2017
  • QQP Iyer 等人，2017
• 自然語言推理
  • MNLI Williams 等人，2017
  • QNLI Rajpurkar 等人，2016
  • RTE Dagan 等人，2005
  • CB De Marneff 等人，2019
• 句子完成
  • COPA Roemmele 等人，2011
• 詞義消歧
  • WIC Pilehvar 和 Camacho-Collados，2018
• 問答
  • MultiRC Khashabi 等人，2018
  • ReCoRD Zhang 等人，2018
  • BoolQ Clark 等人，2019

訓練過程

模型開發者在 摘要 中寫道：

在本文中，我們通過引入一個統一的框架，將每個語言問題轉換為文本到文本的格式，探索了 NLP 遷移學習技術的領域。我們的系統研究比較了數十種語言理解任務的預訓練目標、架構、無標籤數據集、遷移方法和其他因素。

所引入的框架，即 T5 框架，涉及一個將論文中研究的方法結合起來的訓練過程。更多詳細信息請參閱 研究論文。

評估

測試數據、因素和指標

開發者在 24 個任務上對模型進行了評估，完整詳情請參閱 研究論文。

結果

T5-Base 的完整結果請參閱 研究論文 中的表 14。

環境影響

可以使用 Lacoste 等人（2019） 提出的 機器學習影響計算器 來估算碳排放。

• 硬件類型：Google Cloud TPU Pods
• 使用時長：更多信息待補充
• 雲服務提供商：GCP
• 計算區域：更多信息待補充
• 碳排放：更多信息待補充

引用

BibTeX：

@article{2020t5,
  author  = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
  title   = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
  journal = {Journal of Machine Learning Research},
  year    = {2020},
  volume  = {21},
  number  = {140},
  pages   = {1-67},
  url     = {http://jmlr.org/papers/v21/20-074.html}
}

APA：

• Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., ... & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. J. Mach. Learn. Res., 21(140), 1-67.

模型卡片作者

此模型卡片由 Hugging Face 團隊編寫。