Dynamic Tinybert

🚀 动态TinyBERT：通过动态序列长度提升TinyBERT的推理效率

动态TinyBERT针对问答这一自然语言处理任务进行了微调，在SQuAD 1.1数据集上进行训练。Guskin等人 (2021) 指出：

动态TinyBERT是一个TinyBERT模型，它利用序列长度缩减和超参数优化，在任何计算预算下提高推理效率。动态TinyBERT只需训练一次，性能与BERT相当，并且在准确率 - 速度权衡方面优于其他任何高效方法（最高可达3.3倍加速，损失下降小于1%）。

✨ 主要特性

• 针对问答任务进行微调，在SQuAD 1.1数据集上训练。
• 利用序列长度缩减和超参数优化提升推理效率。
• 只需训练一次，性能与BERT相当，且在准确率 - 速度权衡方面表现出色。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

import torch
from transformers import AutoTokenizer, AutoModelForQuestionAnswering

tokenizer = AutoTokenizer.from_pretrained("Intel/dynamic_tinybert")
model = AutoModelForQuestionAnswering.from_pretrained("Intel/dynamic_tinybert")

context = "remember the number 123456, I'll ask you later."
question = "What is the number I told you?"

# Tokenize the context and question
tokens = tokenizer.encode_plus(question, context, return_tensors="pt", truncation=True)

# Get the input IDs and attention mask
input_ids = tokens["input_ids"]
attention_mask = tokens["attention_mask"]

# Perform question answering
outputs = model(input_ids, attention_mask=attention_mask)
start_scores = outputs.start_logits
end_scores = outputs.end_logits

# Find the start and end positions of the answer
answer_start = torch.argmax(start_scores)
answer_end = torch.argmax(end_scores) + 1
answer = tokenizer.convert_tokens_to_string(tokenizer.convert_ids_to_tokens(input_ids[0][answer_start:answer_end]))

# Print the answer
print("Answer:", answer)

📚 详细文档

模型详情

预期用途

影响因素

指标

训练和评估数据

模型性能分析

伦理考量

注意事项和建议

用户（直接用户和下游用户）应了解该模型的风险、偏差和局限性。该模型没有额外的注意事项或建议。

🔧 技术细节

文档未提供足够详细的技术实现细节，暂不提供。

📄 许可证

本模型使用Apache 2.0许可证。

BibTeX引用

@misc{https://doi.org/10.48550/arxiv.2111.09645,
  doi = {10.48550/ARXIV.2111.09645},
  
  url = {https://arxiv.org/abs/2111.09645},
  
  author = {Guskin, Shira and Wasserblat, Moshe and Ding, Ke and Kim, Gyuwan},
  
  keywords = {Computation and Language (cs.CL), Machine Learning (cs.LG), FOS: Computer and information sciences, FOS: Computer and information sciences},
  
  title = {Dynamic-TinyBERT: Boost TinyBERT's Inference Efficiency by Dynamic Sequence Length},
  
  publisher = {arXiv},
  
  year = {2021},