Bert Tiny Finetuned Squadv2

🚀 BERT-Tiny在SQuAD v2上微调

本项目基于Google Research创建的BERT-Tiny模型，在SQuAD 2.0数据集上进行微调，以用于问答下游任务。

模型大小（训练后）：16.74 MB

📚 BERT-Tiny及其“家族”详情（来自其文档）

该模型于2020年3月11日发布。它是24个较小的BERT模型的一部分（仅英文，无大小写区分，使用WordPiece掩码训练），相关内容参考于论文Well-Read Students Learn Better: On the Importance of Pre-training Compact Models。

这些较小的BERT模型适用于计算资源受限的环境。它们可以像原始BERT模型一样进行微调。不过，在知识蒸馏的场景下，它们的效果最佳，即微调标签由一个更大、更准确的“教师”模型生成。

📊 下游任务（问答）详情 - 数据集

SQuAD2.0将SQuAD1.1中的100,000个问题与超过50,000个由众包工作者对抗性编写的无法回答的问题相结合，这些无法回答的问题在形式上与可回答的问题相似。要在SQuAD2.0上取得好成绩，系统不仅要在可能的情况下回答问题，还要判断段落中是否没有支持答案的信息，并避免回答。

🛠️ 模型训练

该模型在配备25GB内存的Tesla P100 GPU上进行训练。微调脚本可在此处找到。

📈 结果

💻 使用示例

基础用法

使用pipelines快速使用模型：

from transformers import pipeline

qa_pipeline = pipeline(
    "question-answering",
    model="mrm8488/bert-tiny-finetuned-squadv2",
    tokenizer="mrm8488/bert-tiny-finetuned-squadv2"
)

qa_pipeline({
    'context': "Manuel Romero has been working hardly in the repository hugginface/transformers lately",
    'question': "Who has been working hard for hugginface/transformers lately?"

})

# Output:

{
  "answer": "Manuel Romero",
  "end": 13,
  "score": 0.05684709993458714,
  "start": 0
}

高级用法

qa_pipeline({
    'context': "Manuel Romero has been working hardly in the repository hugginface/transformers lately",
    'question': "For which company has worked Manuel Romero?"
})

# Output:

{
  "answer": "hugginface/transformers",
  "end": 79,
  "score": 0.11613431826808274,
  "start": 56
}

效果展示

🎉 可以看到，模型成功运行！

由Manuel Romero/@mrm8488创建 | 领英

于西班牙用心打造 ♥