language: zh
license: apache-2.0
datasets:

• bookcorpus
• wikipedia

ALBERT Large v2 模型

基于掩码语言建模（MLM）目标训练的英文预训练模型。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是基于自监督方式在大量英文语料上预训练的Transformer模型。这意味着它仅通过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：

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

由此，模型学习到英文语言的内部表征，可用于提取下游任务所需的特征。例如，若有一个标注句子的数据集，可以基于ALBERT模型生成的特征训练标准分类器。

ALBERT的特殊性在于其Transformer层采用参数共享机制，所有层具有相同权重。这种层重复设计显著减少了内存占用，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架构相近。

此为Large模型的第二版。由于不同的丢弃率、额外训练数据和更长的训练时长，V2版本在几乎所有下游任务中表现更优。

该模型配置如下：

• 24个重复层
• 128维词嵌入
• 1024维隐藏层
• 16个注意力头
• 1700万参数

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，但主要适用于下游任务微调。可访问模型中心寻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）决策的任务微调，如序列分类、标记分类或问答。文本生成类任务建议使用GPT2等模型。

使用方法

可直接通过管道进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-large-v2')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   # ...其他预测结果
]

在PyTorch中获取文本特征：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-large-v2')
model = AlbertModel.from_pretrained("albert-large-v2")
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 AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-large-v2')
model = TFAlbertModel.from_pretrained("albert-large-v2")
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见：

>>> unmasker("The man worked as a [MASK].")
# 预测结果包含司机、看门人等职业
>>> unmasker("The woman worked as a [MASK].")
# 预测结果包含接待员、护理人员等职业

这种偏见会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
• 英文维基百科（排除列表、表格和标题）

训练流程

预处理

文本经小写处理和SentencePiece分词（词汇量30,000）。输入格式为：

[CLS] 句子A [SEP] 句子B [SEP]

训练细节

遵循BERT的设置，掩码规则如下：

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

评估结果

下游任务微调后的表现：

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}
}