Albert Xxlarge V2

🚀 ALBERT XXLarge v2

ALBERT XXLarge v2 是一个基于英文语料库，采用掩码语言模型（MLM）目标进行预训练的模型。它能够学习英文语言的内部表示，可用于提取对下游任务有用的特征。

🚀 快速开始

你可以直接使用此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。可访问 模型中心 查找针对你感兴趣任务的微调版本。

✨ 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。
• 句子顺序预测：使用基于预测两个连续文本片段顺序的预训练损失。
• 参数共享：在 Transformer 中共享层，减少内存占用。
• 版本优化：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都有更好的表现。

📦 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

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='albert-xxlarge-v2')
>>> 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

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 AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = AlbertModel.from_pretrained("albert-xxlarge-v2")
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：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v2')
model = TFAlbertModel.from_pretrained("albert-xxlarge-v2")
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 是一个基于自监督方式在大量英文数据语料库上进行预训练的 Transformer 模型。它通过自动从文本中生成输入和标签的过程进行预训练，主要有两个目标：

• 掩码语言建模（MLM）：随机掩盖句子中 15% 的单词，然后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进行预训练。

ALBERT 的特殊之处在于它在 Transformer 中共享层，所有层具有相同的权重，这使得内存占用较小，但计算成本与具有相同隐藏层数的 BERT 架构相似。

此模型具有以下配置：

预期用途和局限性

该模型主要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，建议使用 GPT2 等模型。

局限性和偏差

即使该模型使用的训练数据相对中立，但它仍可能存在有偏差的预测。例如：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-xxlarge-v2')
>>> 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"
   }
]

这种偏差也会影响该模型的所有微调版本。

训练数据

ALBERT 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。

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。模型的输入形式如下：

[CLS] 句子 A [SEP] 句子 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 [MASK] 替换。
• 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时，ALBERT 模型取得了以下结果：

🔧 技术细节

文档未提及技术实现细节，故跳过此章节。

📄 许可证

本项目采用 Apache - 2.0 许可证。