T5 Efficient Base Ff6000

🚀 T5-Efficient-BASE-FF6000（深度窄化版本）

T5-Efficient-BASE-FF6000 是 谷歌原始 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，論文作者為 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性能方面更具優勢。

引用論文內容：

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，如論文前面章節所示，深度對帕累託前沿的影響很大。具體來說，一個高而小（深度大且寬度窄）的模型通常比基礎模型更高效。同樣，一個高的基礎模型通常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小，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、浮點運算次數或吞吐量（速度）。我們報告了所有三個關鍵的效率指標（參數數量、浮點運算次數和速度），並將選擇考慮哪種計算維度的決定權留給從業者。

更準確地說，模型深度 定義為順序堆疊的 Transformer 塊的數量。因此，單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微調，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微調，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微調，使其適用於編碼器 - 解碼器模型。

✨ 主要特性

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性能方面更具優勢。

📚 詳細文檔

模型架構詳情

此模型檢查點 - t5-efficient-base-ff6000 - 屬於基礎模型類型，具有以下變體：

• ff 為 6000

它有 3.3618 億 個參數，因此在全精度（fp32）下大約需要 1344.71 MB 的內存，在半精度（fp16 或 bf16）下需要 672.36 MB 的內存。

原始 T5 模型架構總結如下：

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

本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。

🔧 技術細節

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

📄 許可證

本項目採用 Apache-2.0 許可證。