Mobilebert Uncased Squad V1

🚀 MobileBERT在SQuAD v1上的微调模型

本项目基于MobileBERT模型，在SQuAD v1数据集上进行微调，用于问答任务。MobileBERT是BERT_LARGE的精简版本，采用了瓶颈结构，并精心平衡了自注意力机制和前馈网络。

🚀 快速开始

模型介绍

MobileBERT 是BERT_LARGE的精简版，具备瓶颈结构，且在自注意力机制和前馈网络之间实现了精心设计的平衡。

本模型是在 SQuAD1.1 数据集上，从HuggingFace的检查点 google/mobilebert-uncased 进行微调得到的。

📚 详细文档

数据集详情

微调细节

• Python版本：3.7.5
• 机器配置：
  • CPU：Intel(R) Core(TM) i7 - 6800K CPU @ 3.40GHz
  • 内存：32 GiB
  • GPU：2块GeForce GTX 1070，每块显存8GiB
  • GPU驱动：418.87.01，CUDA：10.1
• 脚本命令：

# 安装 https://github.com/huggingface/transformers 之后
cd examples/question-answering
mkdir -p data

wget -O data/train-v1.1.json https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json

wget -O data/dev-v1.1.json  https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v1.1.json

export SQUAD_DIR=`pwd`/data

python run_squad.py \
    --model_type mobilebert \
    --model_name_or_path google/mobilebert-uncased \
    --do_train \
    --do_eval \
    --do_lower_case \
    --train_file $SQUAD_DIR/train-v1.1.json \
    --predict_file $SQUAD_DIR/dev-v1.1.json \
    --per_gpu_train_batch_size 16 \
    --per_gpu_eval_batch_size 16 \
    --learning_rate 4e-5 \
    --num_train_epochs 5.0 \
    --max_seq_length 320 \
    --doc_stride 128 \
    --warmup_steps 1400 \
    --output_dir $SQUAD_DIR/mobilebert-uncased-warmup-squad_v1 2>&1 | tee train-mobilebert-warmup-squad_v1.log

微调过程大约耗时3小时。

模型效果

模型大小：95M

注意，以上结果未进行任何超参数搜索。

💻 使用示例

基础用法

from transformers import pipeline

qa_pipeline = pipeline(
    "question-answering",
    model="csarron/mobilebert-uncased-squad-v1",
    tokenizer="csarron/mobilebert-uncased-squad-v1"
)

predictions = qa_pipeline({
    'context': "The game was played on February 7, 2016 at Levi's Stadium in the San Francisco Bay Area at Santa Clara, California.",
    'question': "What day was the game played on?"
})

print(predictions)
# 输出:
# {'score': 0.7754058241844177, 'start': 23, 'end': 39, 'answer': 'February 7, 2016'}

由 Qingqing Cao 创建 | GitHub | Twitter

于纽约用心打造 ❤️

📄 许可证

本项目采用MIT许可证。