Albert Xxlarge V1

🚀 ALBERT XXLarge v1

ALBERT XXLarge v1是一个基于英语语料库，采用掩码语言模型（MLM）目标进行预训练的模型。它能够学习英语语言的内在表示，为下游任务提取有用特征，在自然语言处理领域有广泛应用。

🚀 快速开始

ALBERT XXLarge v1模型可直接用于掩码语言建模任务，也可针对下游任务进行微调。你可以在模型中心（model hub）查找针对特定任务微调后的版本。

✨ 主要特性

• 自监督学习：在大规模英语语料库上进行自监督预训练，通过掩码语言建模（MLM）和句子顺序预测（SOP）两个目标学习语言的内在表示。
• 参数共享：在Transformer架构中共享层权重，减少了内存占用，但计算成本与具有相同隐藏层数量的BERT架构相近。
• 多任务适应性：可用于多种下游任务，如序列分类、标记分类、问答系统等。

📦 安装指南

文档未提及安装步骤，你可参考Hugging Face的相关文档进行安装：

pip install transformers

💻 使用示例

基础用法

使用管道进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v1')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

高级用法

获取给定文本的特征（PyTorch）：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v1')
model = AlbertModel.from_pretrained("albert-xxlarge-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

获取给定文本的特征（TensorFlow）：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v1')
model = TFAlbertModel.from_pretrained("albert-xxlarge-v1")
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

ALBERT是一个基于Transformer架构的预训练模型，通过自监督学习在大规模英语语料库上进行训练。它主要通过两个目标进行预训练：

• 掩码语言建模（MLM）：随机掩盖输入句子中15%的单词，让模型预测这些被掩盖的单词，从而学习句子的双向表示。
• 句子顺序预测（SOP）：基于预测两个连续文本片段的顺序来进行预训练。

ALBERT的特殊之处在于其在Transformer架构中共享层权重，所有层具有相同的权重。这种设计减少了内存占用，但计算成本与具有相同隐藏层数量的BERT架构相近。

此为xxlarge模型的第一个版本，版本2由于不同的丢弃率、额外的训练数据和更长的训练时间，在几乎所有下游任务中表现更好。

该模型的配置如下：

预期用途与限制

该模型可直接用于掩码语言建模或下一句预测任务，但主要用于下游任务的微调。需要注意的是，该模型主要适用于基于整个句子（可能被掩码）进行决策的任务，如序列分类、标记分类或问答系统。对于文本生成任务，建议使用GPT2等模型。

局限性和偏差

尽管用于训练该模型的数据较为中立，但模型的预测仍可能存在偏差。这种偏差也会影响该模型的所有微调版本。例如：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v1')
>>> unmasker("The man worked as a [MASK].")

[
   {
      "sequence":"[CLS] the man worked as a chauffeur.[SEP]",
      "score":0.029577180743217468,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the man worked as a janitor.[SEP]",
      "score":0.028865724802017212,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the man worked as a shoemaker.[SEP]",
      "score":0.02581118606030941,
      "token":29024,
      "token_str":"▁shoemaker"
   },
   {
      "sequence":"[CLS] the man worked as a blacksmith.[SEP]",
      "score":0.01849772222340107,
      "token":21238,
      "token_str":"▁blacksmith"
   },
   {
      "sequence":"[CLS] the man worked as a lawyer.[SEP]",
      "score":0.01820771023631096,
      "token":3672,
      "token_str":"▁lawyer"
   }
]

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

[
   {
      "sequence":"[CLS] the woman worked as a receptionist.[SEP]",
      "score":0.04604868218302727,
      "token":25331,
      "token_str":"▁receptionist"
   },
   {
      "sequence":"[CLS] the woman worked as a janitor.[SEP]",
      "score":0.028220869600772858,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the woman worked as a paramedic.[SEP]",
      "score":0.0261906236410141,
      "token":23386,
      "token_str":"▁paramedic"
   },
   {
      "sequence":"[CLS] the woman worked as a chauffeur.[SEP]",
      "score":0.024797942489385605,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the woman worked as a waitress.[SEP]",
      "score":0.024124596267938614,
      "token":13678,
      "token_str":"▁waitress"
   }
]

训练数据

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

训练过程

预处理

文本先转换为小写，然后使用SentencePiece进行分词，词汇表大小为30,000。模型的输入格式如下：

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

训练

ALBERT的训练过程遵循BERT的设置。每个句子的掩码过程细节如下：

• 15%的标记被掩码。
• 80%的情况下，被掩码的标记被替换为[MASK]。
• 10%的情况下，被掩码的标记被随机标记替换。
• 10%的情况下，被掩码的标记保持不变。

评估结果

在下游任务上进行微调后，ALBERT模型取得了以下结果：

BibTeX引用

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self-supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本项目采用Apache 2.0许可证。