MultiBERTs，中间检查点-种子1，步骤2000k

MultiBERTs是一个检查点集合和统计库，用于支持对BERT的稳健研究。我们提供了25个使用类似超参数的BERT-base模型，这些超参数与 the original BERT model 相似，但使用了不同的随机种子，这导致初始权重和训练实例的顺序不同。目的是区分适用于特定构件（即模型的特定实例）的发现与适用于更一般过程的发现。

我们还提供了在预训练过程中捕获的140个中间检查点（我们为前5次运行保存了28个检查点）。

这些模型最初是通过 http://goo.gle/multiberts 发布的。我们在我们的论文 The MultiBERTs: BERT Reproductions for Robustness Analysis 中对它们进行了描述。

这是模型#1，捕获于步骤2000k（最大为2000k，即2M步）。

模型描述

此模型是在对 BERT-base uncased 的重现过程中捕获的，用于英文：它是一个Transformer模型，使用大量英文数据进行预训练，使用掩码语言建模（MLM）和下一个句子预测（NSP）目标。

完全训练模型的预期用途、限制、训练数据和训练过程与 BERT-base uncased 类似。与原始模型相比，有两个主要差异：

• 我们使用序列长度为512进行了200万步的MultiBERTs模型的预训练（而不是使用序列长度128然后512进行100万步的预训练）。
• 我们使用了Wikipedia和Books Corpus的另一个版本，最初是为 Turc et al., 2019 收集的。

这是尽力的再现，因此很可能对原始模型的差异未被注意到。MultiBERTs在完全训练后在GLUE上的性能往往与原始BERT相当，但我们在SQuAD的开发集上发现了显著差异（MultiBERTs优于原始BERT）。有关更多细节，请参阅我们的 technical report 。

如何使用

使用来自 BERT-base uncased 的代码，以下是基于Tensorflow的示例：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('google/multiberts-seed_1-step_2000k')
model = TFBertModel.from_pretrained("google/multiberts-seed_1-step_2000k")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

PyTorch版本：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('google/multiberts-seed_1-step_2000k')
model = BertModel.from_pretrained("google/multiberts-seed_1-step_2000k")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

引用信息

@article{sellam2021multiberts,
  title={The MultiBERTs: BERT Reproductions for Robustness Analysis},
  author={Thibault Sellam and Steve Yadlowsky and Jason Wei and Naomi Saphra and Alexander D'Amour and Tal Linzen and Jasmijn Bastings and Iulia Turc and Jacob Eisenstein and Dipanjan Das and Ian Tenney and Ellie Pavlick},
  journal={arXiv preprint arXiv:2106.16163},
  year={2021}
}