Distill Bert Base Spanish Wwm Cased Finetuned Spa Squad2 Es

🚀 BETO（西班牙版BERT）+ 西班牙版SQuAD2.0 + 以 'bert-base-multilingual-cased' 为教师模型的蒸馏

本模型是在 SQuAD-es-v2.0 上进行微调，并针对问答任务对 BETO 进行蒸馏后的版本。

蒸馏操作让该模型相较于 bert-base-spanish-wwm-cased-finetuned-spa-squad2-es 更小、更快、成本更低且更轻量。

此模型在相同的数据集上进行微调，但在过程中采用了上述的蒸馏操作（并且多进行了一个训练轮次）。

蒸馏过程中的教师模型为 bert-base-multilingual-cased，这与 distilbert-base-multilingual-cased（即 DistilmBERT）所使用的教师模型相同（平均速度是 mBERT-base 的两倍）。

🚀 快速开始

本模型可用于问答任务，下面将为你介绍使用方法。

✨ 主要特性

• 轻量高效：通过蒸馏操作，模型变得更小、更快、成本更低且更轻量。
• 微调优化：在 SQuAD-es-v2.0 数据集上进行微调，更适合西班牙文的问答任务。

📦 安装指南

模型训练使用以下命令在 Tesla P100 GPU 和 25GB 内存的环境中进行：

!export SQUAD_DIR=/path/to/squad-v2_spanish \
&& python transformers/examples/distillation/run_squad_w_distillation.py \
  --model_type bert \
  --model_name_or_path dccuchile/bert-base-spanish-wwm-cased \
  --teacher_type bert \
  --teacher_name_or_path bert-base-multilingual-cased \
  --do_train \
  --do_eval \
  --do_lower_case \
  --train_file $SQUAD_DIR/train-v2.json \
  --predict_file $SQUAD_DIR/dev-v2.json \
  --per_gpu_train_batch_size 12 \
  --learning_rate 3e-5 \
  --num_train_epochs 5.0 \
  --max_seq_length 384 \
  --doc_stride 128 \
  --output_dir /content/model_output \
  --save_steps 5000 \
  --threads 4 \
  --version_2_with_negative

💻 使用示例

基础用法

使用 pipelines 快速调用模型：

from transformers import *

# 重要提示！目前问答管道与快速分词器不兼容，但开发团队正在解决该问题。因此，需要像下面的示例一样，将 {"use_fast": False} 对象传递给分词器：

nlp = pipeline(
    'question-answering', 
    model='mrm8488/distill-bert-base-spanish-wwm-cased-finetuned-spa-squad2-es',
    tokenizer=(
        'mrm8488/distill-bert-base-spanish-wwm-cased-finetuned-spa-squad2-es',  
        {"use_fast": False}
    )
)

nlp(
    {
        'question': '¿Para qué lenguaje está trabajando?',
        'context': 'Manuel Romero está colaborando activamente con huggingface/transformers ' +
                    'para traer el poder de las últimas técnicas de procesamiento de lenguaje natural al idioma español'
    }
)
# 输出: {'answer': 'español', 'end': 169, 'score': 0.67530957344621, 'start': 163}

你可以在 Colab 中尝试使用此模型和 pipelines：

想了解更多关于 Huggingface pipelines 的信息？请查看这个 Colab：

📚 详细文档

下游任务（问答）详情 - 数据集

模型训练

模型在 Tesla P100 GPU 和 25GB 内存的环境中使用上述命令进行训练。

结果

待补充

📄 许可证

本项目采用 Apache-2.0 许可证。

由 Manuel Romero/@mrm8488 创建 于西班牙用心打造 ❤️