语言: 英语
许可证: Apache-2.0
数据集:

• 书籍语料库
• 维基百科
• 十亿词级语料库

漏斗变压器中间模型（带解码器的B6-6-6结构）

该模型基于英语语料库预训练，采用了与ELECTRA相似的目标任务。其技术原理首次发表于此论文，并在此代码库中开源。该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：漏斗变压器研发团队未提供本模型的说明文档，本文档由Hugging Face团队撰写。

模型描述

漏斗变压器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。

具体而言，一个小型语言模型会对输入文本进行干扰处理，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，哪些被替换过，类似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，这些表征可用于下游任务的特征提取：例如若您拥有带标签句子的数据集，可以使用该模型生成的特征作为输入来训练标准分类器。

适用场景与限制

您可以直接使用该模型提取文本的向量表征，但其主要用途是针对下游任务进行微调。请访问模型中心查找您感兴趣任务的微调版本。

需注意，本模型主要适用于需要整句（可能包含掩码）进行决策的任务，如序列分类、标记分类或问答系统。对于文本生成类任务，建议考虑GPT2等模型。

使用方法

在PyTorch中获取文本特征的示例：

from transformers import FunnelTokenizer, FunnelModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/intermediate")
model = FunnelModel.from_pretrained("funnel-transformer/intermediate")
text = "请替换为任意文本内容。"
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/intermediate")
model = TFFunnelModel.from_pretrained("funnel-transformer/intermediate")
text = "请替换为任意文本内容。"
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本未出版书籍的语料库
• 英文维基百科（排除列表、表格和标题）
• Clue Web：7.33亿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={漏斗变压器：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}
}