T5 Efficient Base Nl48

🚀 T5-Efficient-BASE-NL48（深度窄化版本）

T5-Efficient-BASE-NL48是谷歌原版T5的一個變體，遵循T5模型架構。它是一個僅預訓練的檢查點，隨論文**高效擴展：預訓練和微調Transformer的見解**發佈，作者為Yi Tay、Mostafa Dehghani、Jinfeng Rao、William Fedus、Samira Abnar、Hyung Won Chung、Sharan Narang、Dani Yogatama、Ashish Vaswani、Donald Metzler。

簡而言之，該論文指出，與參數數量相近的其他模型架構相比，深度窄化的模型架構在下游任務性能上更具優勢。

引用論文內容如下：

我們通常建議採用深度窄化策略，即在考慮對其他維度進行統一擴展之前，優先增加模型的深度。這主要是因為論文前面章節所展示的深度對帕累託前沿的影響程度。具體而言，一個高瘦（深度大且寬度窄）的模型通常比基礎模型更高效。同樣，一個高瘦的基礎模型可能也比大型模型更高效。我們通常發現，無論模型大小如何，即使隨著層數的增加絕對性能可能會提高，但帕累託效率的相對增益會隨著層數的增加而減少，在32到36層時收斂。最後，我們注意到這裡的效率概念涉及任何一種計算維度，即參數數量、浮點運算次數（FLOPs）或吞吐量（速度）。我們報告了所有三個關鍵的效率指標（參數數量、FLOPs和速度），並將選擇考慮哪種計算維度的決定權留給實踐者。

更準確地說，模型深度定義為順序堆疊的Transformer塊的數量。因此，詞嵌入序列會依次由每個Transformer塊進行處理。

🚀 快速開始

本模型是預訓練模型，需進行微調才能實際使用。它以英文進行預訓練，因此僅適用於英文自然語言處理任務。你可以參考以下示例對模型進行微調：

• PyTorch：
  • 文本摘要
  • 問答系統
  • 文本分類 - 注意：你需要對這裡的訓練示例進行一些調整，使其適用於編碼器 - 解碼器模型。
• Tensorflow：
  • 文本摘要
  • 文本分類 - 注意：你需要對這裡的訓練示例進行一些調整，使其適用於編碼器 - 解碼器模型。
• JAX/Flax：
  • 文本摘要
  • 文本分類 - 注意：你需要對這裡的訓練示例進行一些調整，使其適用於編碼器 - 解碼器模型。

✨ 主要特性

• 深度窄化架構優勢：與參數數量相近的其他模型架構相比，深度窄化的模型架構在下游任務性能上更具優勢。
• 多計算維度效率考量：論文報告了參數數量、FLOPs和速度三個關鍵的效率指標，讓實踐者可以根據需求選擇計算維度。

📚 詳細文檔

模型架構詳情

此模型檢查點 - t5-efficient-base-nl48 - 屬於基礎模型類型，具有以下變體：

• nl 為 48

它有8.177億個參數，因此在全精度（fp32）下大約需要3270.79 MB的內存，在半精度（fp16 或 bf16）下需要1635.39 MB的內存。

以下是原始 T5模型架構的總結：

以下是使用的縮寫說明：

如果一個模型檢查點沒有特定的 el 或 dl，則編碼器層和解碼器層的數量都對應於 nl。

預訓練

該檢查點在大規模清理版通用爬蟲數據（C4）上進行了524288步的預訓練，使用基於跨度的掩碼語言建模（MLM）目標。

微調

⚠️ 重要提示

此模型是預訓練檢查點，需進行微調才能實際使用。該檢查點以英文進行預訓練，因此僅適用於英文自然語言處理任務。

更多信息

我們強烈建議讀者仔細閱讀原始論文**高效擴展：預訓練和微調Transformer的見解**，以更細緻地瞭解此模型檢查點。如此問題中所解釋，包含 sh 或 skv 模型架構變體的檢查點尚未移植到Transformers中，因為它們可能實際用途有限且缺乏更詳細的描述。這些檢查點保留在此處，可能會在未來進行移植。

📄 許可證

本項目採用Apache-2.0許可證。