语言: 英语
许可证: Apache-2.0
数据集:

• BookCorpus
• 维基百科
• Gigaword

Funnel Transformer 中型模型（B6-3x2-3x2，无解码器）

这是一个基于英语语料预训练的模型，采用了与ELECTRA类似的目标任务。该模型在这篇论文中首次提出，并在此代码库中发布。此模型为不区分大小写版本：例如"english"和"English"将被视为相同。

免责声明：发布Funnel Transformer的团队未为此模型编写说明卡片，本文档由Hugging Face团队撰写。

模型描述

Funnel Transformer是通过自监督方式在海量英语文本上预训练的Transformer模型。这意味着它仅基于原始文本进行预训练，无需任何人工标注（因此可以利用大量公开数据），并通过自动过程从文本生成输入和标签。

具体而言，一个小型语言模型会对输入文本进行干扰，作为本模型的输入生成器。预训练目标是预测哪些标记是原始内容，哪些被替换——类似于GAN的训练方式。

通过这种方式，模型学习到英语语言的内部表征，这些表征可用于提取对下游任务有益的特征。例如，如果您有一个带标签句子的数据集，可以使用BERT模型生成的特征作为输入来训练标准分类器。

注意：此模型不包含解码器，因此输出的隐藏状态序列长度仅为输入的四分之一。适用于需要句子摘要的任务（如句子分类），但不适用于需要每个初始标记对应一个输入的情况。此类场景应使用medium模型。

预期用途与限制

您可以使用原始模型提取给定文本的向量表征，但主要用途是针对下游任务进行微调。请参阅模型中心寻找您感兴趣任务的微调版本。

请注意，该模型主要适用于利用整个句子（可能包含掩码）进行决策的任务，如序列分类、标记分类或问答。对于文本生成等任务，应选用GPT2等模型。

使用方法

在PyTorch中获取文本特征的示例：

from transformers import FunnelTokenizer, FunnelBaseModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/medium-base")
model = FunnelBaseModel.from_pretrained("funnel-transformer/medium-base")
text = "替换为任意文本。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中的示例：

from transformers import FunnelTokenizer, TFFunnelBaseModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/medium-base")
model = TFFunnelBaseModel.from_pretrained("funnel-transformer/medium-base")
text = "替换为任意文本。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

BERT模型预训练数据包括：

• BookCorpus：包含11,038本未出版书籍
• 英文维基百科（排除列表、表格和标题）
• Clue Web：7.3亿个英文网页数据集
• GigaWord：新闻专线文本档案
• Common Crawl：原始网页数据集

BibTeX引用信息

@misc{dai2020funneltransformer,
    title={Funnel-Transformer: Filtering out Sequential Redundancy for Efficient Language Processing},
    author={Zihang Dai and Guokun Lai and Yiming Yang and Quoc V. Le},
    year={2020},
    eprint={2006.03236},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}