1epochv3

🚀 DeBERTa：具有解耦注意力的解碼增強型BERT

DeBERTa通過解耦注意力和增強掩碼解碼器改進了BERT和RoBERTa模型。在使用80GB訓練數據的情況下，它在大多數自然語言理解（NLU）任務上的表現優於BERT和RoBERTa。 更多詳細信息和更新請查看官方倉庫。 這是DeBERTa V2 xxlarge模型，具有48層，隱藏層大小為1536。總參數為15億，並且使用160GB原始數據進行訓練。

✨ 主要特性

• 採用解耦注意力和增強掩碼解碼器改進BERT和RoBERTa模型。
• 在多數NLU任務上表現優於BERT和RoBERTa。

📦 安裝指南

運行以下命令安裝所需依賴：

pip install datasets
pip install deepspeed

下載deepspeed配置文件：

wget https://huggingface.co/microsoft/deberta-v2-xxlarge/resolve/main/ds_config.json -O ds_config.json

💻 使用示例

基礎用法

使用Deepspeed運行：

export TASK_NAME=mnli
output_dir="ds_results"
num_gpus=8
batch_size=8
python -m torch.distributed.launch --nproc_per_node=${num_gpus} \
  run_glue.py \
  --model_name_or_path microsoft/deberta-v2-xxlarge \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --max_seq_length 256 \
  --per_device_train_batch_size ${batch_size} \
  --learning_rate 3e-6 \
  --num_train_epochs 3 \
  --output_dir $output_dir \
  --overwrite_output_dir \
  --logging_steps 10 \
  --logging_dir $output_dir \
  --deepspeed ds_config.json

高級用法

使用--sharded_ddp運行：

cd transformers/examples/text-classification/
export TASK_NAME=mnli
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta-v2-xxlarge   \
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 256   --per_device_train_batch_size 8   \
--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

📚 詳細文檔

在NLU任務上的微調

我們展示了在SQuAD 1.1/2.0和幾個GLUE基準任務上的開發結果：

注意事項

• ¹ 遵循RoBERTa，對於RTE、MRPC、STS-B，我們基於DeBERTa-Large-MNLI、DeBERTa-XLarge-MNLI、DeBERTa-V2-XLarge-MNLI、DeBERTa-V2-XXLarge-MNLI對任務進行微調。從MNLI微調模型開始時，SST-2/QQP/QNLI/SQuADv2的結果也會略有改善，然而，對於這4個任務，我們僅報告從預訓練基礎模型微調得到的結果。
• ² 要使用**HF transformers嘗試XXLarge模型，我們建議使用deepspeed**，因為它更快且節省內存。

引用

如果您發現DeBERTa對您的工作有用，請引用以下論文：

@inproceedings{
he2021deberta,
title={DEBERTA: DECODING-ENHANCED BERT WITH DISENTANGLED ATTENTION},
author={Pengcheng He and Xiaodong Liu and Jianfeng Gao and Weizhu Chen},
booktitle={International Conference on Learning Representations},
year={2021},
url={https://openreview.net/forum?id=XPZIaotutsD}
}

📄 許可證

本項目採用MIT許可證。