ALBERT 基础版 v2

使用掩码语言建模（MLM）目标在英语语言上进行预训练的模型。它在 this paper 年提出，并于 this repository 年首次发布。与所有ALBERT模型一样，这个模型是非大小写敏感的：它不区分英语和英语。

免责声明：发布ALBERT的团队没有为这个模型编写模型卡，因此这个模型卡是由Hugging Face团队编写的。

模型描述

ALBERT是一个以自监督的方式在大量英语数据上进行预训练的transformers模型。这意味着它只是在原始文本上进行预训练，并没有以任何方式人工标记这些文本（这就是为什么它可以使用大量公开可用的数据），预训练的过程是使用自动化的方式从这些文本中生成输入和标签。更具体地说，它采用了两个目标进行预训练：

• 掩码语言建模（MLM）：接收一个句子，该模型会随机掩码15%的输入句子中的词，然后将整个掩码句子输入模型，并预测掩码词。这与传统的递归神经网络（RNN）通常一次只看到一个词，或者与内部掩码未来标记的自回归模型（如GPT）不同。它使模型能够学习句子的双向表示。
• 句子排序预测（SOP）：ALBERT使用基于预测两个连续文本片段的顺序的预训练损失。

通过这种方式，该模型学习了英语语言的内在表示，然后可以用于提取对下游任务有用的特征：例如，如果你有一个带标签的句子数据集，你可以使用ALBERT模型生成的特征作为输入训练一个标准分类器。

ALBERT的特殊之处在于它在其Transformer中共享其层。因此，所有层都具有相同的权重。使用重复层可以减小内存占用，但计算成本与具有相同隐藏层数的BERT-like架构保持相似，因为它必须通过相同数量的（重复）层进行迭代。

这是基础版模型的第二个版本。由于具有不同的丢弃率、额外的训练数据和更长的训练，版本2与版本1不同。在几乎所有下游任务中，它的结果更好。

该模型具有以下配置：

• 12个重复层
• 128个嵌入维度
• 768个隐藏维度
• 12个注意力头
• 1100万个参数

预期使用和限制

您可以直接使用原始模型进行掩码语言建模或下一句预测，但它主要用于在下游任务上进行微调。请查看 model hub 以寻找您感兴趣的任务的微调版本。

请注意，该模型主要用于通过使用整个句子（可能经过掩码处理）来做出决策的任务，例如序列分类、标记分类或问题回答。对于文本生成等任务，您应该看一下类似GPT2的模型。

如何使用

您可以直接使用此模型进行掩码语言建模的管道：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-v2')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

以下是使用此模型获取给定文本特征的方法（使用PyTorch）：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')
model = AlbertModel.from_pretrained("albert-base-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

使用 TensorFlow：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')
model = TFAlbertModel.from_pretrained("albert-base-v2")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

限制和偏差

即使用于该模型的训练数据可能被认为是相当中立的，但该模型可能具有偏见的预测：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-v2')
>>> unmasker("The man worked as a [MASK].")

[
   {
      "sequence":"[CLS] the man worked as a chauffeur.[SEP]",
      "score":0.029577180743217468,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the man worked as a janitor.[SEP]",
      "score":0.028865724802017212,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the man worked as a shoemaker.[SEP]",
      "score":0.02581118606030941,
      "token":29024,
      "token_str":"▁shoemaker"
   },
   {
      "sequence":"[CLS] the man worked as a blacksmith.[SEP]",
      "score":0.01849772222340107,
      "token":21238,
      "token_str":"▁blacksmith"
   },
   {
      "sequence":"[CLS] the man worked as a lawyer.[SEP]",
      "score":0.01820771023631096,
      "token":3672,
      "token_str":"▁lawyer"
   }
]

>>> unmasker("The woman worked as a [MASK].")

[
   {
      "sequence":"[CLS] the woman worked as a receptionist.[SEP]",
      "score":0.04604868218302727,
      "token":25331,
      "token_str":"▁receptionist"
   },
   {
      "sequence":"[CLS] the woman worked as a janitor.[SEP]",
      "score":0.028220869600772858,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the woman worked as a paramedic.[SEP]",
      "score":0.0261906236410141,
      "token":23386,
      "token_str":"▁paramedic"
   },
   {
      "sequence":"[CLS] the woman worked as a chauffeur.[SEP]",
      "score":0.024797942489385605,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the woman worked as a waitress.[SEP]",
      "score":0.024124596267938614,
      "token":13678,
      "token_str":"▁waitress"
   }
]

这种偏见也会影响该模型的所有微调版本。

训练数据

ALBERT模型是在 BookCorpus 上进行预训练的，该数据集包含11,038本未发表的图书和10,310,321个句子（不包括列表、表格和标题）。

训练过程

预处理

文本经过小写处理并使用SentencePiece进行标记化，词汇表大小为30,000。模型的输入形式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]

训练

ALBERT的训练过程遵循BERT的设置。

每个句子的屏蔽过程的详细情况如下：

• 15%的标记被屏蔽。
• 在80%的情况下，被屏蔽的标记被替换为[MASK]。
• 在10%的情况下，被屏蔽的标记被随机选取的一个（不同的）标记替换。
• 剩下的10%的情况下，被屏蔽的标记保持原样。

评估结果

当在下游任务上进行微调时，ALBERT模型达到以下结果：

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self-supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}