Language Perceiver

🚀 用于语言处理的Perceiver IO模型

Perceiver IO是一种预训练模型，它基于BERT中提出的掩码语言建模（MLM）任务进行训练。训练使用的大型文本语料库由英文维基百科和C4组合而成。该模型由Jaegle等人在论文Perceiver IO: A General Architecture for Structured Inputs & Outputs中提出，并首次在这个仓库发布。

声明：发布Perceiver IO的团队并未为该模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

Perceiver IO是一种Transformer编码器模型，可应用于任何模态（文本、图像、音频、视频等）。其核心思想是在一组规模不大的潜在向量（如256或512个）上应用自注意力机制，仅使用输入与潜在向量进行交叉注意力计算。这使得自注意力机制的时间和内存需求不依赖于输入的大小。

在解码时，作者采用了所谓的解码器查询，它可以灵活地对潜在向量的最终隐藏状态进行解码，以生成任意大小和语义的输出。对于掩码语言建模，输出是一个张量，包含语言建模头的预测分数，形状为(batch_size, seq_length, vocab_size)。

由于自注意力机制的时间和内存需求不依赖于输入大小，Perceiver IO的作者直接在原始UTF - 8字节上训练模型，而不是像BERT、RoBERTa和GPT - 2等模型那样在子词上训练。这样做有很多好处：训练模型前无需训练分词器，无需维护（固定的）词汇文件，并且如Bostrom等人，2020所示，这也不会损害模型性能。

通过预训练，模型学习到语言的内部表示，可用于提取对下游任务有用的特征。例如，如果有一个带标签的句子数据集，可以使用Perceiver模型生成的特征作为输入来训练一个标准分类器。

🚀 快速开始

预期用途和限制

可以使用原始模型进行掩码语言建模，但该模型旨在在带标签的数据集上进行微调。请查看模型中心，寻找针对感兴趣任务的微调版本。

如何使用

以下是在PyTorch中使用该模型的示例：

from transformers import PerceiverTokenizer, PerceiverForMaskedLM

tokenizer = PerceiverTokenizer.from_pretrained("deepmind/language-perceiver")
model = PerceiverForMaskedLM.from_pretrained("deepmind/language-perceiver")

text = "This is an incomplete sentence where some words are missing."
# prepare input
encoding = tokenizer(text, padding="max_length", return_tensors="pt")
# mask " missing.". Note that the model performs much better if the masked span starts with a space.
encoding.input_ids[0, 52:61] = tokenizer.mask_token_id
inputs, input_mask = encoding.input_ids.to(device), encoding.attention_mask.to(device)

# forward pass
outputs = model(inputs=inputs, attention_mask=input_mask)
logits = outputs.logits
masked_tokens_predictions = logits[0, 51:61].argmax(dim=-1)
print(tokenizer.decode(masked_tokens_predictions))
>>> should print " missing."

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import PerceiverTokenizer, PerceiverForMaskedLM

tokenizer = PerceiverTokenizer.from_pretrained("deepmind/language-perceiver")
model = PerceiverForMaskedLM.from_pretrained("deepmind/language-perceiver")

text = "This is an incomplete sentence where some words are missing."
# prepare input
encoding = tokenizer(text, padding="max_length", return_tensors="pt")
# mask " missing.". Note that the model performs much better if the masked span starts with a space.
encoding.input_ids[0, 52:61] = tokenizer.mask_token_id
inputs, input_mask = encoding.input_ids.to(device), encoding.attention_mask.to(device)

# forward pass
outputs = model(inputs=inputs, attention_mask=input_mask)
logits = outputs.logits
masked_tokens_predictions = logits[0, 51:61].argmax(dim=-1)
print(tokenizer.decode(masked_tokens_predictions))
>>> should print " missing."

📚 详细文档

训练数据

该模型在英文维基百科和C4的组合数据集上进行预训练。训练令牌的70%从C4数据集中采样，其余30%从维基百科中采样。作者在分割成作物之前将10个文档连接起来，以减少对填充令牌的浪费计算。

训练过程

预处理

文本预处理很简单：仅涉及将文本编码为UTF - 8字节，并将它们填充到相同的长度（2048）。

预训练

超参数的详细信息可以在论文的表9中找到。

评估结果

该模型在GLUE上能够达到平均81.8分。更多详细信息，请参考原论文的表3。

BibTeX引用和引用信息

@article{DBLP:journals/corr/abs-2107-14795,
  author    = {Andrew Jaegle and
               Sebastian Borgeaud and
               Jean{-}Baptiste Alayrac and
               Carl Doersch and
               Catalin Ionescu and
               David Ding and
               Skanda Koppula and
               Daniel Zoran and
               Andrew Brock and
               Evan Shelhamer and
               Olivier J. H{\'{e}}naff and
               Matthew M. Botvinick and
               Andrew Zisserman and
               Oriol Vinyals and
               Jo{\~{a}}o Carreira},
  title     = {Perceiver {IO:} {A} General Architecture for Structured Inputs {\&}
               Outputs},
  journal   = {CoRR},
  volume    = {abs/2107.14795},
  year      = {2021},
  url       = {https://arxiv.org/abs/2107.14795},
  eprinttype = {arXiv},
  eprint    = {2107.14795},
  timestamp = {Tue, 03 Aug 2021 14:53:34 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2107-14795.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本模型采用Apache - 2.0许可证。