T5 Small

🚀 T5 Small模型卡片

T5 Small是一個輕量級的文本生成模型，它將所有自然語言處理任務統一為文本到文本的格式，可用於機器翻譯、文檔摘要、問答等多種任務，具有較高的靈活性和通用性。

🚀 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-small")
model = T5Model.from_pretrained("t5-small")

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

✨ 主要特性

• 統一框架：將所有自然語言處理任務統一為文本到文本的格式，可使用相同的模型、損失函數和超參數處理多種任務。
• 多語言支持：支持英語、法語、羅馬尼亞語和德語。
• 輕量級：T5-Small 僅包含 6000 萬個參數，適合資源有限的場景。

📚 詳細文檔

模型詳情

模型描述

文本到文本轉移變換器（T5）的開發者 寫道：

通過 T5，我們提出將所有自然語言處理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文本片段的 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自然語言處理任務上使用相同的模型、損失函數和超參數。

T5-Small 是一個包含 6000 萬個參數的檢查點。

• 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

用途

直接使用和下游使用

開發者在 博客文章 中寫道，該模型：

我們的文本到文本框架允許我們在任何自然語言處理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

在他們的 摘要 中，模型開發者寫道：

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格式，探索自然語言處理中的遷移學習技術。我們的系統研究比較了預訓練目標、架構、無標籤數據集、遷移方法和其他因素在數十個語言理解任務上的表現。

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-small 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） 中提出的 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

本模型卡片由 Hugging Face 團隊撰寫。