MultiBERTs，中间检查点 - 种子3，步骤0k

MultiBERTs是一个检查点集合和一个统计库，支持对BERT进行强大的研究。我们提供了25个BERT-base模型，使用与 the original BERT model 相似的超参数进行训练，但使用不同的随机种子，导致初始权重和训练实例的顺序有所变化。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140个中间检查点，记录了预训练过程中的过程（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 中对它们进行了说明。

这是模型＃3，在步骤0k（最大：2000k，即2M步）时捕获。

模型描述

此模型是在对 BERT-base uncased 的重现过程中捕获的，针对英语：它是在大量英语数据的基础上进行预训练的Transformers模型，使用掩码语言建模（MLM）和下一句预测（NSP）目标。

对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：

• 我们使用长度为512的序列进行了200万步的MultiBERTs模型预训练（而不是使用长度为128然后512的序列进行100万步）。
• 我们使用了一个替代版本的维基百科和图书语料库，最初是为 Turc et al., 2019 收集的。

这是尽力复制的结果，因此可能已经忽略了与原始模型的差异。在完全训练后，MultiBERTs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着差异（MultiBERTs的性能优于原始BERT）。有关更多详细信息，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_3-step_0k')
model = TFBertModel.from_pretrained("google/multiberts-seed_3-step_0k")
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_3-step_0k')
model = BertModel.from_pretrained("google/multiberts-seed_3-step_0k")
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}
}