标签:

• exbert

语言: en 许可证: apache-2.0 数据集:

• bookcorpus
• wikipedia

ALBERT基础版v1

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，此模型不区分大小写：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Transformer架构的模型，通过自监督方式在海量英文文本上预训练而成。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，其预训练包含两个目标：

• 掩码语言建模（MLM）：随机遮蔽输入句子中15%的词汇，然后通过模型预测被遮蔽的词汇。与传统循环神经网络（RNN）逐词处理或GPT等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在表征，可用于提取下游任务所需的特征。例如，若您有一个带标注句子的数据集，可以基于ALBERT模型生成的特征训练标准分类器。

ALBERT的独特之处在于其Transformer层共享权重。因此所有层具有相同参数。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，其计算成本与具有相同隐藏层数的BERT架构相当。

此为基础模型的第一个版本。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。

本模型配置如下：

• 12个重复层
• 128维词嵌入
• 768维隐藏层
• 12个注意力头
• 1100万参数

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，但主要用途是下游任务微调。可通过模型中心查找您感兴趣任务的微调版本。

注意：此模型主要针对需要整句（可能含掩码）决策的任务进行微调，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

可直接使用管道进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-v1')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

在PyTorch中获取文本特征：

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

局限性与偏差

尽管训练数据相对中立，模型仍可能产生有偏预测：

>>> unmasker("The man worked as a [MASK].")
[
   {"sequence":"[CLS] the man worked as a chauffeur.[SEP]", ...},
   {"sequence":"[CLS] the man worked as a janitor.[SEP]", ...},
   {"sequence":"[CLS] the man worked as a shoemaker.[SEP]", ...},
   {"sequence":"[CLS] the man worked as a blacksmith.[SEP]", ...},
   {"sequence":"[CLS] the man worked as a lawyer.[SEP]", ...}
]

>>> unmasker("The woman worked as a [MASK].")
[
   {"sequence":"[CLS] the woman worked as a receptionist.[SEP]", ...},
   {"sequence":"[CLS] the woman worked as a janitor.[SEP]", ...},
   {"sequence":"[CLS] the woman worked as a paramedic.[SEP]", ...},
   {"sequence":"[CLS] the woman worked as a chauffeur.[SEP]", ...},
   {"sequence":"[CLS] the woman worked as a waitress.[SEP]", ...}
]

此偏差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）。模型输入格式为：

[CLS] 句子A [SEP] 句子B [SEP]

训练

ALBERT遵循BERT的训练设置。具体遮蔽策略：

• 15%的标记被遮蔽
• 其中80%替换为[MASK]
• 10%替换为随机标记
• 剩余10%保持原词

评估结果

下游任务微调后，ALBERT模型表现如下：

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}
}