T5 Efficient Base Ff6000

🚀 T5-Efficient-BASE-FF6000（深度窄化版本）

T5-Efficient-BASE-FF6000 是 谷歌原始 T5 的一个变体，遵循 T5 模型架构。它是一个仅预训练的检查点，随论文**高效扩展：预训练和微调 Transformer 的见解**发布，论文作者为 Yi Tay、Mostafa Dehghani、Jinfeng Rao、William Fedus、Samira Abnar、Hyung Won Chung、Sharan Narang、Dani Yogatama、Ashish Vaswani、Donald Metzler。

简而言之，该论文指出，与参数数量相近的其他模型架构相比，深度窄化的模型架构在下游性能方面更具优势。

引用论文内容：

我们通常建议采用深度窄化策略，即在考虑对其他维度进行统一扩展之前，优先增加模型的深度。这主要是因为，如论文前面章节所示，深度对帕累托前沿的影响很大。具体来说，一个高而小（深度大且宽度窄）的模型通常比基础模型更高效。同样，一个高的基础模型通常也比大型模型更高效。我们通常发现，无论模型大小如何，即使随着层数的增加，绝对性能可能会提高，但帕累托效率的相对增益会随着层数的增加而减小，在 32 到 36 层时收敛。最后，我们注意到，这里的效率概念涉及任何一种计算维度，即参数、浮点运算次数或吞吐量（速度）。我们报告了所有三个关键的效率指标（参数数量、浮点运算次数和速度），并将选择考虑哪种计算维度的决定权留给从业者。

更准确地说，模型深度 定义为顺序堆叠的 Transformer 块的数量。因此，单词嵌入序列会依次由每个 Transformer 块进行处理。

🚀 快速开始

本模型是预训练模型，需进行微调才能实际使用。它仅适用于英文自然语言处理任务。你可以参考以下示例对模型进行微调：

• PyTorch：
  • 文本摘要
  • 问答系统
  • 文本分类 - 注意：你需要对这里的训练示例进行一些微调，使其适用于编码器 - 解码器模型。
• Tensorflow：
  • 文本摘要
  • 文本分类 - 注意：你需要对这里的训练示例进行一些微调，使其适用于编码器 - 解码器模型。
• JAX/Flax：
  • 文本摘要
  • 文本分类 - 注意：你需要对这里的训练示例进行一些微调，使其适用于编码器 - 解码器模型。

✨ 主要特性

与参数数量相近的其他模型架构相比，深度窄化的模型架构在下游性能方面更具优势。

📚 详细文档

模型架构详情

此模型检查点 - t5-efficient-base-ff6000 - 属于基础模型类型，具有以下变体：

• ff 为 6000

它有 3.3618 亿 个参数，因此在全精度（fp32）下大约需要 1344.71 MB 的内存，在半精度（fp16 或 bf16）下需要 672.36 MB 的内存。

原始 T5 模型架构总结如下：

以下是使用的缩写说明：

如果一个模型检查点没有特定的 el 或 dl，则编码器层和解码器层的数量都对应于 nl。

预训练

该检查点在 大规模清理版通用爬虫数据（C4） 上进行了 524288 步的预训练，使用基于跨度的掩码语言建模（MLM）目标。

微调

⚠️ 重要提示

本模型是预训练检查点，需进行微调才能实际使用。该检查点以英文进行预训练，因此仅适用于英文自然语言处理任务。

🔧 技术细节

模型深度定义为顺序堆叠的 Transformer 块的数量。单词嵌入序列会依次由每个 Transformer 块进行处理。

📄 许可证

本项目采用 Apache-2.0 许可证。