language: zh license: apache-2.0 datasets:

• bookcorpus
• wikipedia

DistilBERT基础模型（区分大小写）模型卡

该模型是BERT基础模型的蒸馏版本，由这篇论文提出。蒸馏过程的代码可在此处找到。此模型区分大小写：例如"english"和"English"会被视为不同词汇。

关于预训练的所有细节、用途、限制及潜在偏见（如下所述）均与DistilBERT-base-uncased相同。如需了解更多信息，强烈建议查阅该模型。

模型描述

DistilBERT是一种基于Transformer的模型，比BERT更小更快，通过自监督方式在同一语料库上进行预训练，并以BERT基础模型作为教师模型。这意味着它仅对原始文本进行预训练，无需人工标注（因此可利用大量公开数据），通过BERT基础模型自动生成输入和标签。具体而言，其预训练包含三个目标：

• 蒸馏损失：模型被训练以输出与BERT基础模型相同的概率分布。
• 掩码语言建模（MLM）：这是BERT基础模型原始训练损失的一部分。模型随机掩码输入中15%的词汇，然后处理整个掩码句子并预测被掩码的词汇。这与传统的循环神经网络（RNN）逐词处理或GPT等自回归模型内部掩码未来标记不同，使模型能学习句子的双向表示。
• 余弦嵌入损失：模型还被训练以生成与BERT基础模型尽可能接近的隐藏状态。

通过这种方式，模型在学习英语内部表示的同时，推理或下游任务速度更快。

预期用途与限制

原始模型可用于掩码语言建模或下一句预测，但主要目的是在下游任务上进行微调。请参阅模型中心寻找您感兴趣任务的微调版本。

注意，此模型主要针对使用整个句子（可能被掩码）进行决策的任务（如序列分类、标记分类或问答）进行微调。对于文本生成等任务，应使用GPT2等模型。

使用方法

可直接使用管道进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='distilbert-base-uncased')
>>> unmasker("Hello I'm a [MASK] model.")

[{'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.05292855575680733,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.03968575969338417,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a business model. [SEP]",
  'score': 0.034743521362543106,
  'token': 2449,
  'token_str': 'business'},
 {'sequence': "[CLS] hello i'm a model model. [SEP]",
  'score': 0.03462274372577667,
  'token': 2944,
  'token_str': 'model'},
 {'sequence': "[CLS] hello i'm a modeling model. [SEP]",
  'score': 0.018145186826586723,
  'token': 11643,
  'token_str': 'modeling'}]

在PyTorch中获取文本特征：

from transformers import DistilBertTokenizer, DistilBertModel
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-uncased')
model = DistilBertModel.from_pretrained("distilbert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中：

from transformers import DistilBertTokenizer, TFDistilBertModel
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-uncased')
model = TFDistilBertModel.from_pretrained("distilbert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

限制与偏见

尽管训练数据相对中立，此模型可能存在预测偏见，并继承了教师模型的部分偏见。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='distilbert-base-uncased')
>>> unmasker("The White man worked as a [MASK].")

[{'sequence': '[CLS] the white man worked as a blacksmith. [SEP]',
  'score': 0.1235365942120552,
  'token': 20987,
  'token_str': 'blacksmith'},
 {'sequence': '[CLS] the white man worked as a carpenter. [SEP]',
  'score': 0.10142576694488525,
  'token': 10533,
  'token_str': 'carpenter'},
 {'sequence': '[CLS] the white man worked as a farmer. [SEP]',
  'score': 0.04985016956925392,
  'token': 7500,
  'token_str': 'farmer'},
 {'sequence': '[CLS] the white man worked as a miner. [SEP]',
  'score': 0.03932540491223335,
  'token': 18594,
  'token_str': 'miner'},
 {'sequence': '[CLS] the white man worked as a butcher. [SEP]',
  'score': 0.03351764753460884,
  'token': 14998,
  'token_str': 'butcher'}]

>>> unmasker("The Black woman worked as a [MASK].")

[{'sequence': '[CLS] the black woman worked as a waitress. [SEP]',
  'score': 0.13283951580524445,
  'token': 13877,
  'token_str': 'waitress'},
 {'sequence': '[CLS] the black woman worked as a nurse. [SEP]',
  'score': 0.12586183845996857,
  'token': 6821,
  'token_str': 'nurse'},
 {'sequence': '[CLS] the black woman worked as a maid. [SEP]',
  'score': 0.11708822101354599,
  'token': 10850,
  'token_str': 'maid'},
 {'sequence': '[CLS] the black woman worked as a prostitute. [SEP]',
  'score': 0.11499975621700287,
  'token': 19215,
  'token_str': 'prostitute'},
 {'sequence': '[CLS] the black woman worked as a housekeeper. [SEP]',
  'score': 0.04722772538661957,
  'token': 22583,
  'token_str': 'housekeeper'}]

这种偏见也会影响该模型的所有微调版本。

训练数据

DistilBERT的预训练数据与BERT相同，包括BookCorpus（11,038本未出版书籍）和英文维基百科（排除列表、表格和标题）。

训练流程

预处理

文本经过小写转换，并使用30,000词表的WordPiece进行分词。模型输入格式如下：

[CLS] 句子A [SEP] 句子B [SEP]

50%的情况下，句子A和B是原始语料中的连续句子；其余情况下，B为语料中的随机句子。这里的“句子”指通常比单句更长的连续文本，唯一限制是合并长度不超过512个标记。

掩码过程细节：

• 15%的标记被掩码。
• 80%的情况下，掩码标记替换为[MASK]。
• 10%的情况下，替换为随机标记。
• 剩余10%保持原样。

预训练

模型在8块16GB V100上训练90小时。所有超参数详见训练代码。

评估结果

下游任务微调后的结果：

Glue测试结果：

BibTeX条目与引用信息

@article{Sanh2019DistilBERTAD,
  title={DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter},
  author={Victor Sanh and Lysandre Debut and Julien Chaumond and Thomas Wolf},
  journal={ArXiv},
  year={2019},
  volume={abs/1910.01108}
}