T5 Small

🚀 T5 Small模型卡片

T5 Small是一个轻量级的文本生成模型，它将所有自然语言处理任务统一为文本到文本的格式，可用于机器翻译、文档摘要、问答等多种任务，具有较高的灵活性和通用性。

🚀 快速开始

使用以下代码开始使用该模型：

from transformers import T5Tokenizer, T5Model

tokenizer = T5Tokenizer.from_pretrained("t5-small")
model = T5Model.from_pretrained("t5-small")

input_ids = tokenizer(
    "Studies have been shown that owning a dog is good for you", return_tensors="pt"
).input_ids  # Batch size 1
decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids  # Batch size 1

# forward pass
outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)
last_hidden_states = outputs.last_hidden_state

✨ 主要特性

• 统一框架：将所有自然语言处理任务统一为文本到文本的格式，可使用相同的模型、损失函数和超参数处理多种任务。
• 多语言支持：支持英语、法语、罗马尼亚语和德语。
• 轻量级：T5-Small 仅包含 6000 万个参数，适合资源有限的场景。

📚 详细文档

模型详情

模型描述

文本到文本转移变换器（T5）的开发者 写道：

通过 T5，我们提出将所有自然语言处理任务重构为统一的文本到文本格式，其中输入和输出始终是文本字符串，这与只能输出类别标签或输入文本片段的 BERT 风格模型形成对比。我们的文本到文本框架允许我们在任何自然语言处理任务上使用相同的模型、损失函数和超参数。

T5-Small 是一个包含 6000 万个参数的检查点。

• 开发者：Colin Raffel、Noam Shazeer、Adam Roberts、Katherine Lee、Sharan Narang、Michael Matena、Yanqi Zhou、Wei Li、Peter J. Liu。请参阅 相关论文 和 GitHub 仓库
• 模型类型：语言模型
• 支持语言：英语、法语、罗马尼亚语、德语
• 许可证：Apache 2.0
• 相关模型：所有 T5 检查点
• 更多信息资源：
  • 研究论文
  • Google 的 T5 博客文章
  • GitHub 仓库
  • Hugging Face T5 文档

用途

直接使用和下游使用

开发者在 博客文章 中写道，该模型：

我们的文本到文本框架允许我们在任何自然语言处理任务上使用相同的模型、损失函数和超参数，包括机器翻译、文档摘要、问答和分类任务（如情感分析）。我们甚至可以通过训练 T5 预测数字的字符串表示而不是数字本身，将其应用于回归任务。

更多详细信息请参阅 博客文章 和 研究论文。

训练详情

训练数据

该模型在 大规模清洁爬取语料库（C4） 上进行预训练，该语料库是在与 T5 相同的 研究论文 背景下开发和发布的。

该模型在 无监督（1.）和有监督任务（2.）的多任务混合 上进行预训练。 因此，以下数据集用于（1.）和（2.）：

1. 用于无监督去噪目标的数据集：

• C4
• Wiki-DPR

2. 用于有监督文本到文本语言建模目标的数据集：

• 句子可接受性判断
  • CoLA Warstadt 等人，2018
• 情感分析
  • SST-2 Socher 等人，2013
• 释义/句子相似度
  • MRPC Dolan 和 Brockett，2005
  • STS-B Ceret 等人，2017
  • QQP Iyer 等人，2017
• 自然语言推理
  • MNLI Williams 等人，2017
  • QNLI Rajpurkar 等人，2016
  • RTE Dagan 等人，2005
  • CB De Marneff 等人，2019
• 句子完成
  • COPA Roemmele 等人，2011
• 词义消歧
  • WIC Pilehvar 和 Camacho-Collados，2018
• 问答
  • MultiRC Khashabi 等人，2018
  • ReCoRD Zhang 等人，2018
  • BoolQ Clark 等人，2019

训练过程

在他们的 摘要 中，模型开发者写道：

在本文中，我们通过引入一个统一的框架，将每个语言问题转换为文本到文本格式，探索自然语言处理中的迁移学习技术。我们的系统研究比较了预训练目标、架构、无标签数据集、迁移方法和其他因素在数十个语言理解任务上的表现。

引入的框架，即 T5 框架，涉及一个将论文中研究的方法结合起来的训练过程。更多详细信息请参阅 研究论文。

评估

测试数据、因素和指标

开发者在 24 个任务上对模型进行了评估，完整详情请参阅 研究论文。

结果

T5-small 的完整结果请参阅 研究论文 中的表 14。

环境影响

可以使用 Lacoste 等人（2019） 中提出的 机器学习影响计算器 来估算碳排放。

• 硬件类型：Google Cloud TPU Pods
• 使用时长：更多信息待补充
• 云服务提供商：GCP
• 计算区域：更多信息待补充
• 碳排放：更多信息待补充

引用

BibTeX：

@article{2020t5,
  author  = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
  title   = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
  journal = {Journal of Machine Learning Research},
  year    = {2020},
  volume  = {21},
  number  = {140},
  pages   = {1-67},
  url     = {http://jmlr.org/papers/v21/20-074.html}
}

APA：

• Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., ... & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. J. Mach. Learn. Res., 21(140), 1-67.

模型卡片作者

本模型卡片由 Hugging Face 团队撰写。