Batteryonlybert Uncased

🚀 大小写敏感的电池专用BERT模型

该模型是在大量电池研究论文语料库上，以掩码语言模型（MLM）为目标进行预训练的。它在 this paper 中被提出，并首次在 this repository 发布。此模型区分大小写，例如 "english" 和 "English" 会被视为不同内容。

🚀 快速开始

BatteryOnlyBERT 模型可直接用于掩码语言建模任务，也可在下游任务中进行微调。你可以按照以下使用示例中的代码，快速将其应用到你的项目中。

✨ 主要特性

• 双向表征学习：通过掩码语言模型（MLM）目标进行预训练，能够学习句子的双向表征，与传统的循环神经网络（RNN）和自回归模型（如 GPT）不同。
• 适用于下游任务：学习到的英语语言内部表征可用于提取对下游任务有用的特征，例如训练标准分类器。
• 区分大小写：模型对大小写敏感，能更好地处理文本中的大小写信息。

📦 安装指南

文档未提及安装步骤，可参考 transformers 库官方文档 进行安装。

💻 使用示例

基础用法

你可以使用管道直接进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='batterydata/batteryonlybert-cased')
>>> unmasker("Hello I'm a <mask> model.")

高级用法

以下是在 PyTorch 中使用该模型获取给定文本特征的示例：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('batterydata/batteryonlybert-cased')
model = BertModel.from_pretrained('batterydata/batteryonlybert-cased')
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在 TensorFlow 中的使用示例：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('batterydata/batteryonlybert-cased')
model = TFBertModel.from_pretrained('batterydata/batteryonlybert-cased')
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 详细文档

模型描述

BatteryOnlyBERT 是一个以自监督方式在大量电池研究论文语料库上进行预训练的 Transformer 模型。这意味着它仅在原始文本上进行预训练，没有人工进行任何标注（因此可以使用大量公开可用的数据），并通过自动过程从这些文本中生成输入和标签。

更准确地说，它以掩码语言模型（MLM）为目标进行预训练。对于一个句子，模型会随机掩码输入中 15% 的单词，然后将整个掩码后的句子输入模型，并预测被掩码的单词。这与传统的循环神经网络（RNN）通常逐个处理单词不同，也与像 GPT 这样的自回归模型内部掩码未来标记不同。这使得模型能够学习句子的双向表征。

通过这种方式，模型学习到英语语言的内部表征，可用于提取对下游任务有用的特征：例如，如果你有一个带标签句子的数据集，你可以使用 BERT 模型生成的特征作为输入，训练一个标准分类器。

训练数据

BatteryOnlyBERT 模型仅在电池论文的全文上进行预训练。论文语料库包含来自 2000 年至 2021 年 6 月期间发表的 400,366 篇电池研究论文的 18.7 亿个标记，这些论文来自皇家化学学会（RSC）、爱思唯尔（Elsevier）和施普林格（Springer）等出版商。DOI 列表可在 Github 找到。

训练过程

预处理

文本先转换为小写，然后使用 WordPiece 进行分词，词汇表大小为 28,996。模型的输入形式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]

每个句子的掩码过程细节如下：

• 15% 的标记被掩码。
• 在 80% 的情况下，被掩码的标记被替换为 [MASK]。
• 在 10% 的情况下，被掩码的标记被替换为一个与原标记不同的随机标记。
• 在剩下 10% 的情况下，被掩码的标记保持不变。

预训练

模型在 8 个 NVIDIA DGX A100 GPU 上训练了 1,500,000 步，批次大小为 256。序列长度限制为 512 个标记。使用的优化器是 Adam，学习率为 1e-4，\(\beta_{1} = 0.9\)，\(\beta_{2} = 0.999\)，权重衰减为 0.01，学习率在 10,000 步内进行预热，之后线性衰减。

预期用途和限制

你可以使用原始模型进行掩码语言建模，但它主要用于在下游任务中进行微调。请查看 模型中心，寻找你感兴趣任务的微调版本。

请注意，此模型主要旨在用于需要使用整个句子（可能被掩码）进行决策的任务，如序列分类、标记分类或问答。对于文本生成等任务，你应该考虑使用像 GPT2 这样的模型。

评估结果

最终损失：1.0614。

🔧 技术细节

• 模型类型：基于 Transformer 的预训练语言模型
• 训练数据：来自 2000 年至 2021 年 6 月期间发表的 400,366 篇电池研究论文的全文，包含 18.7 亿个标记，论文来自皇家化学学会（RSC）、爱思唯尔（Elsevier）和施普林格（Springer）等出版商。
• 训练过程：使用掩码语言模型（MLM）目标进行预训练，文本先小写并使用 WordPiece 分词，词汇表大小 28,996。在 8 个 NVIDIA DGX A100 GPU 上训练 1,500,000 步，批次大小 256，序列长度限制为 512 个标记，使用 Adam 优化器，学习率 1e-4 等。

📄 许可证

本项目采用 Apache-2.0 许可证。

👥 作者

• Shu Huang: sh2009 [at] cam.ac.uk
• Jacqueline Cole: jmc61 [at] cam.ac.uk

📖 引用

BatteryBERT: A Pre-trained Language Model for Battery Database Enhancement