Testmodel

🚀 BERT基础模型（无大小写区分）

BERT基础模型（无大小写区分）是一个使用掩码语言建模（MLM）目标在英语语料上进行预训练的模型。它能够学习英语语言的内在表示，可用于提取对下游任务有用的特征，为自然语言处理任务提供强大的支持。

🚀 快速开始

你可以直接使用这个模型进行掩码语言建模，以下是使用示例：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-uncased')
>>> unmasker("Hello I'm a [MASK] model.")

[{'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.1073106899857521,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.08774490654468536,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a new model. [SEP]",
  'score': 0.05338378623127937,
  'token': 2047,
  'token_str': 'new'},
 {'sequence': "[CLS] hello i'm a super model. [SEP]",
  'score': 0.04667217284440994,
  'token': 3565,
  'token_str': 'super'},
 {'sequence': "[CLS] hello i'm a fine model. [SEP]",
  'score': 0.027095865458250046,
  'token': 2986,
  'token_str': 'fine'}]

以下是在PyTorch中使用此模型获取给定文本特征的方法：

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

在TensorFlow中的使用方法如下：

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

✨ 主要特性

• 双向表示学习：通过掩码语言建模（MLM），模型能够学习句子的双向表示，这与传统的循环神经网络（RNNs）和自回归模型（如GPT）不同。
• 句子关系理解：通过下一句预测（NSP），模型可以学习句子之间的关系，判断两个句子是否在原文中相邻。
• 可用于下游任务：学习到的英语语言内在表示可用于提取对下游任务有用的特征，如序列分类、标记分类或问答等。

📚 详细文档

模型描述

BERT是一个基于Transformer架构的模型，它以自监督的方式在大量英语数据语料上进行预训练。这意味着它仅在原始文本上进行预训练，没有人工对其进行任何标注（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，它通过两个目标进行预训练：

• 掩码语言建模（MLM）：对于一个句子，模型随机掩码输入中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（RNNs）通常逐个查看单词，或自回归模型（如GPT）内部掩码未来标记的方式不同。它允许模型学习句子的双向表示。
• 下一句预测（NSP）：在预训练期间，模型将两个掩码后的句子作为输入进行拼接。有时它们对应于原文中相邻的句子，有时则不是。然后模型需要预测这两个句子是否相邻。

预期用途与限制

你可以使用原始模型进行掩码语言建模或下一句预测，但它主要用于在下游任务上进行微调。请参阅模型中心以查找针对你感兴趣的任务进行微调的版本。

请注意，此模型主要旨在针对使用整个句子（可能是掩码后的）进行决策的任务进行微调，例如序列分类、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。

局限性和偏差

即使此模型使用的训练数据可以被描述为相当中立，但该模型仍可能存在有偏差的预测：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-uncased')
>>> unmasker("The man worked as a [MASK].")

[{'sequence': '[CLS] the man worked as a carpenter. [SEP]',
  'score': 0.09747550636529922,
  'token': 10533,
  'token_str': 'carpenter'},
 {'sequence': '[CLS] the man worked as a waiter. [SEP]',
  'score': 0.0523831807076931,
  'token': 15610,
  'token_str': 'waiter'},
 {'sequence': '[CLS] the man worked as a barber. [SEP]',
  'score': 0.04962705448269844,
  'token': 13362,
  'token_str': 'barber'},
 {'sequence': '[CLS] the man worked as a mechanic. [SEP]',
  'score': 0.03788609802722931,
  'token': 15893,
  'token_str': 'mechanic'},
 {'sequence': '[CLS] the man worked as a salesman. [SEP]',
  'score': 0.037680890411138535,
  'token': 18968,
  'token_str': 'salesman'}]

>>> unmasker("The woman worked as a [MASK].")

[{'sequence': '[CLS] the woman worked as a nurse. [SEP]',
  'score': 0.21981462836265564,
  'token': 6821,
  'token_str': 'nurse'},
 {'sequence': '[CLS] the woman worked as a waitress. [SEP]',
  'score': 0.1597415804862976,
  'token': 13877,
  'token_str': 'waitress'},
 {'sequence': '[CLS] the woman worked as a maid. [SEP]',
  'score': 0.1154729500412941,
  'token': 10850,
  'token_str': 'maid'},
 {'sequence': '[CLS] the woman worked as a prostitute. [SEP]',
  'score': 0.037968918681144714,
  'token': 19215,
  'token_str': 'prostitute'},
 {'sequence': '[CLS] the woman worked as a cook. [SEP]',
  'score': 0.03042375110089779,
  'token': 5660,
  'token_str': 'cook'}]

这种偏差也会影响此模型的所有微调版本。

训练数据

BERT模型在BookCorpus和英文维基百科（不包括列表、表格和标题）上进行预训练。BookCorpus是一个包含11,038本未出版书籍的数据集。

训练过程

预处理

文本先进行小写处理，然后使用WordPiece进行分词，词汇表大小为30,000。模型的输入形式如下：

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

句子A和句子B有0.5的概率对应于原始语料库中连续的两个句子，在其他情况下，是语料库中的另一个随机句子。请注意，这里所说的“句子”通常是指比单个句子更长的连续文本片段。唯一的限制是两个“句子”组合后的长度小于512个标记。

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[MASK]替换。
• 在10%的情况下，被掩码的标记被一个与它们不同的随机标记替换。
• 在剩下10%的情况下，被掩码的标记保持不变。

预训练

模型在4个云TPU的Pod配置（总共16个TPU芯片）上训练了100万步，批次大小为256。在90%的步骤中，序列长度限制为128个标记，在剩下10%的步骤中为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，然后线性衰减。

评估结果

在下游任务上进行微调时，此模型取得了以下结果：

Glue测试结果：

🔧 技术细节

输入格式

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

掩码规则

• 15%的标记被掩码。
• 80%被[MASK]替换。
• 10%被随机标记替换。
• 10%保持不变。

训练参数

• 硬件：4个云TPU的Pod配置（16个TPU芯片）
• 步数：100万步
• 批次大小：256
• 序列长度：90%步骤为128，10%步骤为512
• 优化器：Adam
• 学习率：1e - 4
• \(\beta_{1}\)：0.9
• \(\beta_{2}\)：0.999
• 权重衰减：0.01
• 学习率预热：10,000步

📄 许可证

本项目采用Apache-2.0许可证。

BibTeX引用和引用信息

@article{DBLP:journals/corr/abs-1810-04805,
  author    = {Jacob Devlin and
               Ming{-}Wei Chang and
               Kenton Lee and
               Kristina Toutanova},
  title     = {{BERT:} Pre-training of Deep Bidirectional Transformers for Language
               Understanding},
  journal   = {CoRR},
  volume    = {abs/1810.04805},
  year      = {2018},
  url       = {http://arxiv.org/abs/1810.04805},
  archivePrefix = {arXiv},
  eprint    = {1810.04805},
  timestamp = {Tue, 30 Oct 2018 20:39:56 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1810-04805.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}