语言: 英语
许可证: Apache-2.0
数据集:

• 书籍语料库
• 维基百科
• 吉加词库

漏斗式Transformer大型模型（带解码器的B8-8-8结构）

这是一个基于英语语料预训练的模型，采用了与ELECTRA类似的目标函数。该模型由这篇论文首次提出，并在此代码库中发布。该模型不区分大小写：例如"english"和"English"被视为相同。

免责声明：发布漏斗式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

漏斗式Transformer是一种基于自监督方式在大规模英语文本上预训练的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（因此可以利用大量公开数据），并通过自动化流程从文本生成输入和标签。

具体来说，一个小型语言模型会破坏输入文本并作为生成器为该模型提供输入，预训练目标是预测哪些标记是原始内容，哪些被替换过，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在表示，可用于提取对下游任务有用的特征。例如，如果您有一个带标签句子的数据集，可以利用该模型生成的特征训练标准分类器。

预期用途与限制

您可以直接使用该模型提取文本的向量表示，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，该模型主要适用于需要利用完整句子（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，建议使用GPT2等模型。

使用方法

以下是在PyTorch中获取给定文本特征的示例代码：

from transformers import FunnelTokenizer, FunnelModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/large")
model = FunnelModel.from_pretrained("funnel-transformer/large")
text = "替换为任意您想要的文本。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中的使用示例：

from transformers import FunnelTokenizer, TFFunnelModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/large")
model = TFFunnelModel.from_pretrained("funnel-transformer/large")
text = "替换为任意您想要的文本。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

BERT模型的预训练数据包括：

• BookCorpus：包含11,038本未出版书籍的数据集
• 英文维基百科（排除列表、表格和标题）
• Clue Web：包含733,019,372个英文网页的数据集
• 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={漏斗式Transformer：通过过滤序列冗余实现高效语言处理},
    author={戴子航、赖国坤、杨毅明、Quoc V. Le},
    year={2020},
    eprint={2006.03236},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}