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 小部件:
• 文本: "[CLS] 我爱你。[SEP] 我喜欢你。[SEP]"

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的掩码解码器改进了BERT与RoBERTa模型。在80GB训练数据下，其在大多数自然语言理解任务上超越了BERT和RoBERTa的表现。

更多详情与更新请查看官方代码库。

此为经过MNLI任务微调的DeBERTa xlarge模型（750M参数）。

自然语言理解任务微调结果

我们在SQuAD 1.1/2.0和多个GLUE基准任务上展示了开发集表现：

说明

• ¹ 遵循RoBERTa方法，对于RTE、MRPC、STS-B任务，我们基于DeBERTa-Large-MNLI、DeBERTa-XLarge-MNLI、DeBERTa-V2-XLarge-MNLI、DeBERTa-V2-XXLarge-MNLI进行微调。虽然SST-2/QQP/QNLI/SQuADv2任务从MNLI微调模型起步也会有小幅提升，但这四个任务我们仅报告从预训练基础模型直接微调的结果。
• ² 如需在HF transformers中使用XXLarge模型，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   \\
--task_name $TASK_NAME   --do_train   --do_eval   --max_seq_length 128   --per_device_train_batch_size 4   \\
--learning_rate 3e-6   --num_train_epochs 3   --output_dir /tmp/$TASK_NAME/ --overwrite_output_dir --sharded_ddp --fp16

引用

如果您的研究工作中使用了DeBERTa，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}
}