中文全词掩码 RoBERTa 迷你模型

模型描述

这是由 UER-py 预训练的一组中文全词掩码 RoBERTa 迷你模型。

根据 Turc et al. 的研究表明，标准的 BERT 模型在各种不同大小的模型上都是有效的。根据他们的论文，我们发布了6个中文全词掩码 RoBERTa 模型。为了方便用户重现结果，我们使用了公开可用的语料库和词语分割工具，并提供了所有的训练细节。

您可以从以下链接中直接下载6个中文 RoBERTa 迷你模型：

这是六个中文任务开发集上的得分：

对于每个任务，我们从下面的列表中选择了最佳的微调超参数，并使用序列长度为128进行训练：

• epochs: 3, 5, 8
• batch sizes: 32, 64
• learning rates: 3e-5, 1e-4, 3e-4

如何使用

您可以使用该模型直接进行掩码语言建模任务：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='uer/roberta-tiny-wwm-chinese-cluecorpussmall')
>>> unmasker("北京是[MASK]国的首都。")
[
    {'score': 0.294228732585907, 
     'token': 704, 
     'token_str': '中', 
     'sequence': '北 京 是 中 国 的 首 都 。'},
    {'score': 0.19691626727581024, 
     'token': 1266, 
     'token_str': '北', 
     'sequence': '北 京 是 北 国 的 首 都 。'},
    {'score': 0.1070084273815155, 
     'token': 7506, 
     'token_str': '韩', 
     'sequence': '北 京 是 韩 国 的 首 都 。'},
    {'score': 0.031527262181043625, 
     'token': 2769, 
     'token_str': '我', 
     'sequence': '北 京 是 我 国 的 首 都 。'},
    {'score': 0.023054633289575577, 
     'token': 1298, 
     'token_str': '南', 
     'sequence': '北 京 是 南 国 的 首 都 。'}
]
    

以下是如何使用该模型来获取给定文本的特征（在PyTorch中）：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('uer/roberta-base-wwm-chinese-cluecorpussmall')
model = BertModel.from_pretrained("uer/roberta-base-wwm-chinese-cluecorpussmall")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

以及在 TensorFlow 中：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('uer/roberta-base-wwm-chinese-cluecorpussmall')
model = TFBertModel.from_pretrained("uer/roberta-base-wwm-chinese-cluecorpussmall")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

使用 CLUECorpusSmall 作为训练数据。

训练过程

模型由 UER-py 在 Tencent Cloud 上进行预训练。我们使用序列长度为128进行了1,000,000步的预训练，然后使用序列长度为512进行了额外的250,000步预训练。我们在不同的模型大小上使用了相同的超参数。

词语分割工具使用了 jieba 。

以 Whole Word Masking RoBERTa-Medium 为例

阶段1：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq128_dataset.pt \
                      --processes_num 32 --seq_length 128 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_word_seq128_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_wwm_roberta_medium_seq128_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 1000000 --save_checkpoint_steps 100000 --report_steps 50000 \
                    --learning_rate 1e-4 --batch_size 64 \
                    --whole_word_masking \
                    --data_processor mlm --target mlm

阶段2：

python3 preprocess.py --corpus_path corpora/cluecorpussmall.txt \
                      --vocab_path models/google_zh_vocab.txt \
                      --dataset_path cluecorpussmall_seq512_dataset.pt \
                      --processes_num 32 --seq_length 512 \
                      --dynamic_masking --data_processor mlm

python3 pretrain.py --dataset_path cluecorpussmall_seq512_dataset.pt \
                    --vocab_path models/google_zh_vocab.txt \
                    --pretrained_model_path models/cluecorpussmall_wwm_roberta_medium_seq128_model.bin-1000000 \
                    --config_path models/bert/medium_config.json \
                    --output_model_path models/cluecorpussmall_wwm_roberta_medium_seq512_model.bin \
                    --world_size 8 --gpu_ranks 0 1 2 3 4 5 6 7 \
                    --total_steps 250000 --save_checkpoint_steps 50000 --report_steps 10000 \
                    --learning_rate 5e-5 --batch_size 16 \
                    --whole_word_masking \
                    --data_processor mlm --target mlm

最后，我们将预训练模型转换为 Huggingface 的格式：

python3 scripts/convert_bert_from_uer_to_huggingface.py --input_model_path models/cluecorpussmall_wwm_roberta_medium_seq512_model.bin \
                                                        --output_model_path pytorch_model.bin \
                                                        --layers_num 8 --type mlm

BibTeX 引文和引用信息

@article{zhao2019uer,
  title={UER: An Open-Source Toolkit for Pre-training Models},
  author={Zhao, Zhe and Chen, Hui and Zhang, Jinbin and Zhao, Xin and Liu, Tao and Lu, Wei and Chen, Xi and Deng, Haotang and Ju, Qi and Du, Xiaoyong},
  journal={EMNLP-IJCNLP 2019},
  pages={241},
  year={2019}
}