语言: 英语
数据集:

• c4

许可证: apache-2.0

谷歌的T5 版本1.1

版本1.1

T5版本1.1 相比原始T5模型进行了以下改进：

• 在前馈隐藏层中使用GEGLU激活函数替代ReLU——详见此处。
• 预训练阶段关闭了Dropout（质量提升）。微调阶段应重新启用Dropout。
• 仅在C4数据集上进行预训练，未混合下游任务数据。
• 嵌入层与分类器层之间不共享参数。
• 用"xl"和"xxl"取代"3B"和"11B"的命名，模型结构略有不同——更大的d_model和更小的num_heads与d_ff。

注意：T5版本1.1仅在C4数据集上进行了无监督预训练，因此需在下游任务上微调后才能使用。
预训练数据集：C4

其他社区检查点：此处

论文：探索迁移学习的极限：统一文本到文本转换框架

作者：Colin Raffel, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, Peter J. Liu

摘要

迁移学习——先在数据丰富的任务上预训练模型，再在下游任务上微调——已成为自然语言处理（NLP）的强大技术。其有效性催生了多样化的方法、方法论和实践。本文通过将各类语言问题统一转化为文本到文本格式的框架，系统性地比较了数十项语言理解任务中的预训练目标、架构、无标签数据集和迁移方法等因素。结合规模化实验与新型"Colossal Clean Crawled Corpus"数据集，我们在摘要生成、问答、文本分类等多项基准测试中取得了最先进成果。为促进NLP迁移学习的未来研究，我们公开了数据集、预训练模型和代码。