Albert Base V2

🚀 ALBERT Base v2

ALBERT Base v2是一个基于英文语料库，通过掩码语言模型（MLM）目标进行预训练的模型。它能学习到英文语言的内在表示，为下游任务提取有用特征，在多个自然语言处理任务中表现出色。

🚀 快速开始

你可以直接使用该模型进行掩码语言建模任务。以下是使用示例：

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

✨ 主要特性

• 自监督预训练：在大量英文数据语料库上以自监督方式进行预训练，通过自动处理从原始文本生成输入和标签，学习到英文语言的内在表示。
• 双目标预训练：采用掩码语言建模（MLM）和句子顺序预测（SOP）两个目标进行预训练，能够学习句子的双向表示。
• 参数共享：在Transformer中共享层，所有层具有相同的权重，内存占用小，但计算成本与具有相同隐藏层数的BERT架构相似。
• 版本优化：版本2相较于版本1，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，跳过该章节。

💻 使用示例

基础用法

使用该模型进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-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

在PyTorch中获取给定文本的特征：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')
model = AlbertModel.from_pretrained("albert-base-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中获取给定文本的特征：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')
model = TFAlbertModel.from_pretrained("albert-base-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Transformer架构的模型，在大量英文数据语料库上以自监督方式进行预训练。它通过自动处理从原始文本生成输入和标签，无需人工标注。具体来说，它采用了两个预训练目标：

• 掩码语言建模（MLM）：随机掩盖输入句子中15%的单词，然后让模型预测这些被掩盖的单词。与传统的循环神经网络（RNN）和自回归模型（如GPT）不同，MLM允许模型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的预训练损失。

通过这两个目标，模型学习到英文语言的内在表示，可用于下游任务的特征提取。

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。使用重复层可以减少内存占用，但计算成本与具有相同隐藏层数的BERT架构相似。

这是基础模型的第二个版本。版本2与版本1不同，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。

该模型具有以下配置：

预期用途和限制

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，查找你感兴趣的任务的微调版本。

请注意，该模型主要用于需要使用整个句子（可能被掩码）来做出决策的任务，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GPT2等模型。

局限性和偏差

即使该模型使用的训练数据可以被认为是相当中立的，但它仍然可能产生有偏差的预测：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-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

文本首先进行小写处理，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] 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%的标记被掩盖。
• 在80%的情况下，被掩盖的标记被替换为[MASK]。
• 在10%的情况下，被掩盖的标记被替换为一个随机标记。
• 在剩下的10%的情况下，被掩盖的标记保持不变。

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：

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}
}

🔧 技术细节

文档未提供具体的技术实现细节，跳过该章节。

📄 许可证

该模型采用Apache 2.0许可证。