Google's T5 版本 1.1

版本 1.1

T5 Version 1.1 相比原始的 T5 模型，包含以下改进- 在前馈隐藏层中使用了 GEGLU 激活函数，而不是 ReLU - 参见 here 。

• 在预训练中关闭了 Dropout（质量上的优势）。在微调过程中应重新启用 Dropout。

• 仅在 C4 上进行预训练，而无需混合下游任务。

• 嵌入层和分类器层之间没有参数共享

• "xl" 和 "xxl" 取代了 "3B" 和 "11B"。模型结构略有不同 - 更大的 d_model 和较小的 num_heads 和 d_ff .

注意：T5 版本 1.1 仅在 C4 上进行了预训练，不包括任何监督训练。因此，在将其用于下游任务之前，必须进行微调。预训练数据集： C4

其他社区检查点： here

论文： Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer

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

摘要

转移学习，即在一个数据丰富的任务上进行预训练，然后在下游任务上进行微调，已经成为自然语言处理（NLP）中一种强大的技术。转移学习的有效性催生了多种方法、方法和实践。在本文中，我们通过引入一个统一的框架，将每个语言问题转换为文本到文本格式，来探索 NLP 转移学习技术的领域。我们的系统研究比较了预训练目标、体系结构、无标签数据集、转移方法和其他因素在数十个语言理解任务上的表现。通过结合我们的探索所得的见解、规模和我们的新的“巨大干净爬取的语料库”，我们在涵盖摘要、问答、文本分类等多个基准测试上取得了最先进的结果。为了促进 NLP 转移学习的未来工作，我们发布了我们的数据集、预训练模型和代码。