语言：中文 数据集：CLUECorpusSmall 示例输入：

• 文本："最近一趟去北京的[MASK]几点发车"

中文分词版RoBERTa微型模型集

模型描述

这是通过UER-py预训练的5个中文分词版RoBERTa模型集合，相关技术发表于此论文。此外，这些模型也可通过TencentPretrain预训练，该框架继承UER-py支持十亿级参数模型，并扩展为多模态预训练框架，详见此论文。

多数中文预训练权重基于字符级别。相比字符模型，分词版模型具有更快的处理速度（序列长度更短）且实验显示性能更优。为此我们发布了5种不同规格的中文分词版RoBERTa模型。为便于复现结果，我们采用公开语料和分词工具，并提供了完整训练细节。

您可以通过UER-py模型库页面或以下HuggingFace链接下载这5个微型模型：

相比字符版模型，分词版在多数任务中表现更优。以下是六个中文任务开发集上的得分对比：

每个任务均从以下超参数组合中选择最优配置，训练时序列长度为128：

• 训练轮次：3/5/8
• 批量大小：32/64
• 学习率：3e-5/1e-4/3e-4

使用方式

可直接使用pipeline进行掩码语言建模（以分词版RoBERTa-Medium为例）：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='uer/roberta-medium-word-chinese-cluecorpussmall')
>>> unmasker("[MASK]的首都是北京。")
[
    {'sequence': '中国 的首都是北京。',
     'score': 0.21525809168815613, 
     'token': 2873, 
     'token_str': '中国'}, 
    {'sequence': '北京 的首都是北京。', 
     'score': 0.15194718539714813, 
     'token': 9502, 
     'token_str': '北京'}, 
    {'sequence': '我们 的首都是北京。', 
     'score': 0.08854265511035919, 
     'token': 4215, 
     'token_str': '我们'},
    {'sequence': '美国 的首都是北京。', 
     'score': 0.06808705627918243, 
     'token': 7810, 
     'token_str': '美国'}, 
    {'sequence': '日本 的首都是北京。', 
     'score': 0.06071401759982109, 
     'token': 7788, 
     'token_str': '日本'}
]

PyTorch环境下获取文本特征的示例：

from transformers import AlbertTokenizer, BertModel
tokenizer = AlbertTokenizer.from_pretrained('uer/roberta-medium-word-chinese-cluecorpussmall')
model = BertModel.from_pretrained("uer/roberta-medium-word-chinese-cluecorpussmall")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlow环境：

from transformers import AlbertTokenizer, TFBertModel
tokenizer = AlbertTokenizer.from_pretrained('uer/roberta-medium-word-chinese-cluecorpussmall')
model = TFBertModel.from_pretrained("uer/roberta-medium-word-chinese-cluecorpussmall")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

因BertTokenizer不支持sentencepiece，此处使用AlbertTokenizer。

训练数据

采用CLUECorpusSmall作为训练语料，使用Google的sentencepiece进行分词。分词模型在CLUECorpusSmall上训练：

>>> import sentencepiece as spm
>>> spm.SentencePieceTrainer.train(input='cluecorpussmall.txt',
             model_prefix='cluecorpussmall_spm',
             vocab_size=100000,
             max_sentence_length=1024,
             max_sentencepiece_length=6,
             user_defined_symbols=['[MASK]','[unused1]','[unused2]',
                '[unused3]','[unused4]','[unused5]','[unused6]',
                '[unused7]','[unused8]','[unused9]','[unused10]'],
             pad_id=0,
             pad_piece='[PAD]',
             unk_id=1,
             unk_piece='[UNK]',
             bos_id=2,
             bos_piece='[CLS]',
             eos_id=3,
             eos_piece='[SEP]',
             train_extremely_large_corpus=True
            )

训练流程

模型通过UER-py在腾讯云上预训练。先以128序列长度训练1,000,000步，再以512序列长度追加训练250,000步。不同规模模型采用相同超参数。

以分词版RoBERTa-Medium为例：

第一阶段：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --spm_model_path models/cluecorpussmall_spm.model \
                      --dataset_path cluecorpussmall_word_seq128_dataset.pt \
                      --processes_num 32 --seq_length 128 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_word_seq128_dataset.pt \
                    --spm_model_path models/cluecorpussmall_spm.model \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_word_roberta_medium_seq128_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                    --learning_rate 1e-4 --batch_size 64 \
                    --data_processor mlm --target mlm

第二阶段：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --spm_model_path models/cluecorpussmall_spm.model \
                      --dataset_path cluecorpussmall_word_seq512_dataset.pt \
                      --processes_num 32 --seq_length 512 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_word_seq512_dataset.pt \
                    --spm_model_path models/cluecorpussmall_spm.model \
                    --pretrained_model_path models/cluecorpussmall_word_roberta_medium_seq128_model.bin-1000000 \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_word_roberta_medium_seq512_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                    --learning_rate 5e-5 --batch_size 16 \
                    --data_processor mlm --target mlm

最后转换为Huggingface格式：

python3 scripts/convert_bert_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_word_roberta_medium_seq512_model.bin-250000 \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 8 --type mlm

引用信息

@article{devlin2018bert,
  title={BERT: 面向语言理解的深度双向变换器预训练},
  author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv预印本 arXiv:1810.04805},
  year={2018}
}

@article{turc2019,
  title={阅读广泛的学生学习更好：论紧凑模型预训练的重要性},
  author={Turc, Iulia and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv预印本 arXiv:1908.08962v2},
  year={2019}
}

@article{zhao2019uer,
  title={UER：预训练模型的开源工具包},
  author={赵哲 and 陈辉 and 张金斌 and 刘涛 and 路炜 and 陈曦 and 邓浩堂 and 鞠奇 and 杜晓勇},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}

@article{zhao2023tencentpretrain,
  title={TencentPretrain：面向多模态预训练的可扩展灵活工具包},
  author={赵哲 and 李裕东 and 侯成 and 赵静等},
  journal={ACL 2023},
  pages={217},
  year={2023}

[4_