language: zh license: apache-2.0 datasets:

• bookcorpus
• wikipedia

ALBERT XXLarge v1 模型

这是一个基于英语语料、采用掩码语言建模（MLM）目标预训练的模型。该模型由这篇论文提出，并首次发布于此代码库。与所有ALBERT模型一样，该模型不区分大小写：例如"english"和"English"被视为相同。

免责声明：发布ALBERT的团队未为此模型编写说明卡片，故本说明卡片由Hugging Face团队撰写。

模型描述

ALBERT是基于大规模英文语料通过自监督方式预训练的Transformer模型。这意味着它仅对原始文本进行预训练，无需任何人工标注（因此可利用大量公开数据），通过自动化过程从文本生成输入和标签。具体而言，其预训练目标包含两项：

• 掩码语言建模（MLM）：随机遮蔽输入句子中15%的词汇后，模型需预测被遮蔽的词汇。与传统循环神经网络（RNN）逐词处理或GPT类自回归模型内部遮蔽未来词不同，该方法使模型能学习句子的双向表征。
• 句子顺序预测（SOP）：ALBERT通过预测连续文本段的顺序进行预训练。

由此，模型学习到英语语言的内部表征，可提取适用于下游任务的特征。例如，对于带标签句子的数据集，可利用ALBERT模型生成的特征作为输入训练标准分类器。

ALBERT的特殊性在于其Transformer层共享参数，因此所有层具有相同权重。这种重复层结构减小了内存占用，但由于需要迭代相同数量的（重复）层，计算成本与具有相同隐藏层数的BERT架构相当。

此为xxlarge模型的第一个版本。版本2因不同的丢弃率、额外训练数据和更长的训练时间而与版本1存在差异，在几乎所有下游任务中表现更优。

该模型配置如下：

• 12个重复层
• 128维词嵌入
• 4096维隐藏层
• 64个注意力头
• 2.23亿参数

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，但主要用途是下游任务微调。可通过模型中心查找相关任务的微调版本。

需注意，该模型主要针对需要整句（可能含掩码）决策的任务（如序列分类、标记分类或问答）进行微调。文本生成类任务建议使用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='albert-xxlarge-v1')
>>> unmasker("Hello I'm a [MASK] model.")

PyTorch中获取文本特征：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v1')
model = AlbertModel.from_pretrained("albert-xxlarge-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlow实现：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-xxlarge-v1')
model = TFAlbertModel.from_pretrained("albert-xxlarge-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

局限性及偏差

尽管训练数据相对中立，模型预测仍可能存在偏差：

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

此类偏差将影响该模型的所有微调版本。

训练数据

ALBERT模型预训练数据包含BookCorpus（11,038本未出版书籍）和英文维基百科（排除列表、表格及标题）。

训练流程

预处理

文本经小写化和SentencePiece分词（词汇量30,000）。模型输入格式为：

[CLS] 句子A [SEP] 句子B [SEP]

训练

ALBERT流程遵循BERT设置，掩码策略如下：

• 15%的标记被掩码
• 80%情况替换为[MASK]
• 10%情况替换为随机词
• 10%情况保留原词

评估结果

下游任务微调后，ALBERT模型成绩如下：

BibTeX引用信息

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self-supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}