Bert Base Uncased Squadv1 X2.44 F87.7 D26 Hybrid Filled V1

🚀 BERT-base无大小写区分模型在SQuAD v1上的微调版本

本模型解决了在问答任务中模型效率与精度平衡的问题，通过剪枝技术在保证一定准确率的前提下，显著提升了模型的运行速度。它基于SQuAD v1数据集进行微调，适用于问答相关的自然语言处理任务。

🚀 快速开始

本模型使用 nn_pruning Python库创建，线性层包含原权重的 26.0%。

整体而言，模型包含原权重的 42.0%（嵌入层在模型中占比显著，且此方法未对其进行剪枝）。

在评估中，通过对线性矩阵进行简单的调整，模型运行速度达到原模型的 2.44倍。这是因为剪枝方法产生了结构化矩阵，将鼠标悬停在下方的图表上，即可查看每个矩阵的非零/零部分。

在准确率方面，其 F1值为87.71，而原模型的F1值为88.5， F1值下降了0.79。

✨ 主要特性

精细剪枝细节

本模型是基于HuggingFace 模型 检查点在 SQuAD1.1 上进行微调，并从 csarron/bert-base-uncased-squad-v1 模型进行蒸馏得到的。

该模型不区分大小写，即对于 "english" 和 "English" 不会有不同处理。

块剪枝的一个副作用是，部分注意力头被完全移除：在总共144个注意力头中，有80个被移除（占比55.6%）。以下是剪枝后剩余注意力头在网络中的详细分布情况。

SQuAD1.1数据集详情

微调信息

• Python版本：3.8.5
• 机器规格：

CPU: Intel(R) Core(TM) i7-6700K CPU
内存: 64 GiB
GPU: 1 GeForce GTX 3090，显存24GiB
GPU驱动: 455.23.05，CUDA: 11.1

结果

PyTorch模型文件大小：355MB（原始BERT模型：420MB）

📦 安装指南

安装 nn_pruning，它包含优化脚本，可通过移除空行/列将线性层打包成更小的矩阵。

pip install nn_pruning

💻 使用示例

基础用法

安装 nn_pruning 后，你可以像往常一样使用 transformers 库，只需在加载管道后调用 optimize_model 即可。

from transformers import pipeline
from nn_pruning.inference_model_patcher import optimize_model

qa_pipeline = pipeline(
    "question-answering",
    model="madlag/bert-base-uncased-squadv1-x2.44-f87.7-d26-hybrid-filled-v1",
    tokenizer="madlag/bert-base-uncased-squadv1-x2.44-f87.7-d26-hybrid-filled-v1"
)

print("/home/lagunas/devel/hf/nn_pruning/nn_pruning/analysis/tmp_finetune parameters: 189.0M")
print(f"Parameters count (includes only head pruning, not feed forward pruning)={int(qa_pipeline.model.num_parameters() / 1E6)}M")
qa_pipeline.model = optimize_model(qa_pipeline.model, "dense")

print(f"Parameters count after complete optimization={int(qa_pipeline.model.num_parameters() / 1E6)}M")
predictions = qa_pipeline({
    'context': "Frédéric François Chopin, born Fryderyk Franciszek Chopin (1 March 1810 – 17 October 1849), was a Polish composer and virtuoso pianist of the Romantic era who wrote primarily for solo piano.",
    'question': "Who is Frederic Chopin?",
})
print("Predictions", predictions)

📄 许可证

本项目采用MIT许可证。