tinyroberta-squad2

这是 deepset/roberta-base-squad2 模型的精简版本。该模型具有与基础模型相当的预测质量，同时运行速度是基础模型的两倍。

概览

语言模型：tinyroberta-squad2 语言：英语下游任务：抽取型问答训练数据：SQuAD 2.0 评估数据：SQuAD 2.0 代码：见 an example QA pipeline on Haystack 基础设施：4x Tesla v100

超参数

batch_size = 96
n_epochs = 4
base_LM_model = "deepset/tinyroberta-squad2-step1"
max_seq_len = 384
learning_rate = 3e-5
lr_schedule = LinearWarmup
warmup_proportion = 0.2
doc_stride = 128
max_query_length = 64
distillation_loss_weight = 0.75
temperature = 1.5
teacher = "deepset/robert-large-squad2"

蒸馏

使用TinyBERT方法进行了蒸馏，该方法在 this paper 中进行了描述，并在 haystack 中进行了实现。首先，我们使用roberta-base作为教师进行了中间层蒸馏，结果为 deepset/tinyroberta-6l-768d 。其次，我们使用 deepset/roberta-base-squad2 作为教师进行了任务特定的蒸馏，对SQuADv2的增强版本进行了进一步的中间层蒸馏，然后使用 deepset/roberta-large-squad2 作为教师进行了预测层蒸馏。

使用方法

在Haystack中

Haystack是deepset的一个自然语言处理框架。您可以在Haystack流水线中使用该模型进行大规模的问答（在多个文档上）。要在 Haystack 中加载模型：

reader = FARMReader(model_name_or_path="deepset/tinyroberta-squad2")
# or 
reader = TransformersReader(model_name_or_path="deepset/tinyroberta-squad2")

在Transformers中

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/tinyroberta-squad2"

# a) Get predictions
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
    'question': 'Why is model conversion important?',
    'context': 'The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks.'
}
res = nlp(QA_input)

# b) Load model & tokenizer
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

性能

在SQuAD 2.0开发集上使用 official eval script 进行评估。

"exact": 78.69114798281817,
"f1": 81.9198998536977,

"total": 11873,
"HasAns_exact": 76.19770580296895,
"HasAns_f1": 82.66446878592329,
"HasAns_total": 5928,
"NoAns_exact": 81.17746005046257,
"NoAns_f1": 81.17746005046257,
"NoAns_total": 5945

作者

Branden Chan: branden.chan@deepset.ai Timo Möller: timo.moeller@deepset.ai Malte Pietsch: malte.pietsch@deepset.ai Tanay Soni: tanay.soni@deepset.ai Michel Bartels: michel.bartels@deepset.ai