语言: 中文 标签:

• deberta-v1
• deberta-mnli 任务: mnli 缩略图: https://huggingface.co/front/thumbnails/microsoft.png 许可证: mit 管道标签: 零样本分类

DeBERTa：基于解耦注意力机制的增强型BERT解码模型

DeBERTa通过解耦注意力机制和增强型掩码解码器改进了BERT与RoBERTa模型。在80GB训练数据下，其于大多数自然语言理解任务中超越BERT和RoBERTa表现。更多详情与更新请参阅官方代码库。
此为基于MNLI任务微调的DeBERTa大模型版本。

自然语言理解任务微调结果

我们在SQuAD 1.1/2.0及多项GLUE基准任务中展示开发集表现：

说明

• ¹ 沿用RoBERTa方案，对RTE、MRPC、STS-B任务基于MNLI微调版本进行二次微调。虽然SST-2/QQP/QNLI/SQuADv2从MNLI微调模型起步会小幅提升效果，但上述四项任务仅报告从预训练基模型直接微调的结果。
• ² 使用HuggingFace Transformers运行XXLarge模型时需指定**--sharded_ddp**参数

cd transformers/examples/text-classification/
export TASK_NAME=mrpc
python -m torch.distributed.launch --nproc_per_node=8 run_glue.py   --model_name_or_path microsoft/deberta-v2-xxlarge   \\\n--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 128   --per_device_train_batch_size 4   \\\n--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

引用

若DeBERTa对您的研究有帮助，请引用以下论文：

@inproceedings{
he2021deberta,
title={DEBERTA: 基于解耦注意力机制的增强型BERT解码模型},
author={何鹏程 and 刘骁东 and 高剑峰 and 陈伟柱},
booktitle={国际学习表征会议},
year={2021},
url={https://openreview.net/forum?id=XPZIaotutsD}
}