T5 11B 的模型卡片

目录

模型详细信息

模型描述

文本到文本转换 Transformer（T5）的开发人员 write ：

使用 T5，我们提出将所有 NLP 任务重新构建为统一的文本到文本格式，其中输入和输出始终是文本字符串，而不是只能输出类标签或输入文本片段的 BERT 风格模型。我们的文本到文本框架允许我们在任何 NLP 任务上使用相同的模型、损失函数和超参数。

T5-11B 是具有 110 亿参数的检查点。

• 开发者：Colin Raffel、Noam Shazeer、Adam Roberts、Katherine Lee、Sharan Narang、Michael Matena、Yanqi Zhou、Wei Li、Peter J. Liu。参见 associated paper 和 GitHub repo
• 模型类型：语言模型
• 语言（NLP）：英语、法语、罗马尼亚语、德语
• 许可证：Apache 2.0
• 相关模型： All T5 Checkpoints
• 更多信息资源：
  • Research paper
  • Google's T5 Blog Post
  • GitHub Repo
  • Hugging Face T5 Docs

使用情况

直接使用和下游使用

开发者在 blog post 中写道，该模型：

我们的文本到文本框架允许我们在任何 NLP 任务上使用相同的模型、损失函数和超参数，包括机器翻译、文档摘要、问答和分类任务（如情感分析）。我们甚至可以将 T5 应用于回归任务，通过训练它预测一个数字的字符串表示，而不是数字本身。

有关详细信息，请参见 blog post 和 research paper 。

超出范围的使用

需要更多信息。

偏见、风险和限制

需要更多信息。

建议

需要更多信息。

训练详细信息

训练数据

该模型在 Colossal Clean Crawled Corpus (C4) 上进行了预训练，该数据集是在与 T5 相同的 research paper 上开发和发布的。

该模型在未监督任务（1.）和监督任务（2.）的多任务混合上进行了预训练。具体而言，以下数据集用于（1.）和（2.）：

• C4
• Wiki-DPR

• 句子可接受性判断
  • CoLA Warstadt et al., 2018
• 情感分析
  • SST-2 Socher et al., 2013
• 重述/句子相似性
  • MRPC Dolan and Brockett, 2005
  • STS-B Ceret al., 2017
  • QQP Iyer et al., 2017
• 自然语言推断
  • MNLI Williams et al., 2017
  • QNLI Rajpurkar et al.,2016
  • RTE Dagan et al., 2005
  • CB De Marneff et al., 2019
• 句子补全
  • COPA Roemmele et al., 2011
• 词义消歧
  • WIC Pilehvar and Camacho-Collados, 2018
• 问答
  • MultiRC Khashabi et al., 2018
  • ReCoRD Zhang et al., 2018
  • BoolQ Clark et al., 2019

训练过程

在他们的 abstract 中，模型的开发者写道：

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 转移学习技术的可行性。我们的系统研究比较了几十个语言理解任务的预训练目标、架构、无标签数据集、转移方法和其他因素。

引入的框架是 T5 框架，在论文中研究的方法都被整合到训练过程中。更多细节请参见 research paper 。

评估

测试数据、因素和度量

开发者在 research paper 中对模型进行了 24 个任务的评估，详细内容请参见该论文。

结果

T5-11B 的完整结果，请参见 research paper ，表 14。

环境影响

可以使用 Machine Learning Impact calculator 中介绍的方法来估算碳排放量。

• 硬件类型：Google Cloud TPU Pods
• 使用小时数：需要更多信息
• 云服务提供商：GCP
• 计算区域：需要更多信息
• 排放的碳量：需要更多信息

引用

BibTeX：

@article{2020t5,
  author  = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
  title   = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
  journal = {Journal of Machine Learning Research},
  year    = {2020},
  volume  = {21},
  number  = {140},
  pages   = {1-67},
  url     = {http://jmlr.org/papers/v21/20-074.html}
}

APA：

• Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., ... & Liu, P. J.（2020）。Exploring the limits of transfer learning with a unified text-to-text transformer. J. Mach. Learn. Res.，21（140），1-67。

模型卡片作者

本模型卡片由 Hugging Face 团队编写。

如何开始使用模型

声明

在 transformers v3.5.0 之前，由于其巨大的尺寸， t5-11b 需要一些特殊处理。如果您使用的是 transformers