语言: 中文 标签:

• roformer-v2
• pytorch
• tf2.0 推理: 否

简介

TensorFlow版本

https://github.com/ZhuiyiTechnology/roformer-v2

PyTorch版本+TensorFlow 2.0版本

https://github.com/JunnYu/RoFormer_pytorch

安装步骤

• 执行命令：pip install roformer==0.4.3

性能对比

CLUE开发集分类任务基准测试（base与large版本）

CLUE-1.0测试集分类任务结果（base与large版本）

说明：

• 标注RoFormerV2^*的模型为未进行多任务学习的版本，该模型未开源（感谢苏剑林老师的说明）。
• 非pytorch后缀结果引自GAU-alpha仓库。
• pytorch后缀结果为自行训练所得。
• 原代码直接使用CLS标签分类，本仓库采用增强分类头结构（增加2个Dropout层、1个全连接层和ReLU激活）：

class RoFormer分类头(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.dense = nn.Linear(config.hidden_size, config.hidden_size)
        self.dropout = nn.Dropout(config.hidden_dropout_prob)
        self.out_proj = nn.Linear(config.hidden_size, config.num_labels)

        self.config = config

    def forward(self, features, **kwargs):
        x = features[:, 0, :]  # 提取[CLS]标记
        x = self.dropout(x)
        x = self.dense(x)
        x = 激活函数[self.config.hidden_act](x) # 使用ReLU
        x = self.dropout(x)
        x = self.out_proj(x)
        return x

PyTorch & TensorFlow 2.0使用示例

import torch
import tensorflow as tf
from transformers import BertTokenizer
from roformer import RoFormerForMaskedLM, TFRoFormerForMaskedLM

text = "今天[MASK]很好，我[MASK]去公园玩。"
tokenizer = BertTokenizer.from_pretrained("junnyu/roformer_v2_chinese_char_base")
pt_model = RoFormerForMaskedLM.from_pretrained("junnyu/roformer_v2_chinese_char_base")
tf_model = TFRoFormerForMaskedLM.from_pretrained(
    "junnyu/roformer_v2_chinese_char_base", from_pt=True
)
pt_inputs = tokenizer(text, return_tensors="pt")
tf_inputs = tokenizer(text, return_tensors="tf")
# PyTorch推理
with torch.no_grad():
    pt_outputs = pt_model(**pt_inputs).logits[0]
pt_outputs_sentence = "PyTorch预测: "
for i, id in enumerate(tokenizer.encode(text)):
    if id == tokenizer.mask_token_id:
        tokens = tokenizer.convert_ids_to_tokens(pt_outputs[i].topk(k=5)[1])
        pt_outputs_sentence += "[" + "||".join(tokens) + "]"
    else:
        pt_outputs_sentence += "".join(
            tokenizer.convert_ids_to_tokens([id], skip_special_tokens=True)
        )
print(pt_outputs_sentence)
# TensorFlow推理
tf_outputs = tf_model(**tf_inputs, training=False).logits[0]
tf_outputs_sentence = "TensorFlow预测: "
for i, id in enumerate(tokenizer.encode(text)):
    if id == tokenizer.mask_token_id:
        tokens = tokenizer.convert_ids_to_tokens(tf.math.top_k(tf_outputs[i], k=5)[1])
        tf_outputs_sentence += "[" + "||".join(tokens) + "]"
    else:
        tf_outputs_sentence += "".join(
            tokenizer.convert_ids_to_tokens([id], skip_special_tokens=True)
        )
print(tf_outputs_sentence)
# small模型示例
# PyTorch预测: 今天[的||，||是||很||也]很好，我[要||会||是||想||在]去公园玩。
# TensorFlow预测: 今天[的||，||是||很||也]很好，我[要||会||是||想||在]去公园玩。
# base模型示例
# PyTorch预测: 今天[我||天||晴||园||玩]很好，我[想||要||会||就||带]去公园玩。
# TensorFlow预测: 今天[我||天||晴||园||玩]很好，我[想||要||会||就||带]去公园玩。
# large模型示例
# PyTorch预测: 今天[天||气||我||空||阳]很好，我[又||想||会||就||爱]去公园玩。
# TensorFlow预测: 今天[天||气||我||空||阳]很好，我[又||想||会||就||爱]去公园玩。

文献引用

Bibtex格式：

@misc{su2021roformer,
      title={RoFormer: 基于旋转位置编码的增强型Transformer模型}, 
      author={苏剑林 and 卢宇 and 潘胜峰 and 温波 and 刘云峰},
      year={2021},
      eprint={2104.09864},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@techreport{roformerv2,
  title={RoFormerV2: 更快速更强大的RoFormer - 追一科技},
  author={苏剑林, 潘胜峰, 温波, 刘云峰},
  year={2022},
  url="https://github.com/ZhuiyiTechnology/roformer-v2",
}