Deberta Large Mnli Zero Cls

🚀 DeBERTa：具有解耦注意力的解码增强型BERT

DeBERTa通过解耦注意力和增强掩码解码器改进了BERT和RoBERTa模型。在使用80GB训练数据的情况下，它在大多数自然语言理解（NLU）任务上的表现优于BERT和RoBERTa。

更多详细信息和更新请查看官方仓库。

这是针对多类型自然语言推理（MNLI）任务进行微调的DeBERTa大模型。

✨ 主要特性

• 模型改进：使用解耦注意力和增强掩码解码器改进BERT和RoBERTa模型。
• 性能优越：在多数NLU任务上表现优于BERT和RoBERTa。

📚 详细文档

NLU任务微调

我们展示了在SQuAD 1.1/2.0和几个GLUE基准任务上的开发结果。

注意事项

• ¹ 遵循RoBERTa的做法，对于RTE、MRPC、STS - B任务，我们基于[DeBERTa - Large - MNLI](https://huggingface.co/microsoft/deberta - large - mnli)、[DeBERTa - XLarge - MNLI](https://huggingface.co/microsoft/deberta - xlarge - mnli)、[DeBERTa - V2 - XLarge - MNLI](https://huggingface.co/microsoft/deberta - v2 - xlarge - mnli)、[DeBERTa - V2 - XXLarge - MNLI](https://huggingface.co/microsoft/deberta - v2 - xxlarge - mnli)对这些任务进行微调。从MNLI微调模型开始时，SST - 2/QQP/QNLI/SQuADv2的结果也会略有提升，但我们仅报告从预训练基础模型微调得到的结果。
• ² 要使用**HF transformers尝试XXLarge模型，你需要指定--sharded_ddp**。

cd transformers/examples/text - classification/
export TASK_NAME=mrpc
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta - v2 - xxlarge   \
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 128   --per_device_train_batch_size 4   \
--learning_rate 3e - 6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

引用

如果你发现DeBERTa对你的工作有帮助，请引用以下论文：

@inproceedings{
he2021deberta,
title={DEBERTA: DECODING - ENHANCED BERT WITH DISENTANGLED ATTENTION},
author={Pengcheng He and Xiaodong Liu and Jianfeng Gao and Weizhu Chen},
booktitle={International Conference on Learning Representations},
year={2021},
url={https://openreview.net/forum?id=XPZIaotutsD}
}

📄 许可证

本项目采用MIT许可证。