BETELGEUSE BERT BASED UNCASED

模型描述

BERT 是一个以自监督方式在大型英语语料库上预训练的 transformers 模型。这意味着它仅在原始文本上进行预训练，无需人工标注（因此可以使用大量公开数据），并通过自动流程从这些文本中生成输入和标签。更具体地说，它通过两个目标进行预训练：

• 掩码语言建模（MLM）：给定一个句子，模型随机遮盖输入中 15% 的单词，然后将整个遮盖后的句子输入模型，并预测被遮盖的单词。这与传统的循环神经网络（RNN）不同，RNN 通常逐词处理；也与 GPT 等自回归模型不同，后者在内部遮盖未来的 token。这种方法使模型能够学习句子的双向表示。
• 下一句预测（NSP）：在预训练过程中，模型将两个遮盖后的句子拼接作为输入。有时它们对应于原始文本中相邻的句子，有时则不是。模型需要预测这两个句子是否是连续的。

通过这种方式，模型学习到英语语言的内部表示，可用于提取对下游任务有用的特征：例如，如果你有标注句子的数据集，可以使用 BERT 模型生成的特征作为输入来训练标准分类器。

模型变体

BERT 最初发布了 base 和 large 两个版本，分别支持区分大小写和不区分大小写的输入文本。不区分大小写的模型还会去除重音标记。 随后不久发布了中文和多语言的区分大小写及不区分大小写版本。 后续工作中，使用整词遮盖替代子词遮盖的改进预处理方法，发布了两个模型。 之后又发布了其他 24 个较小的模型。

预期用途与限制

你可以直接使用原始模型进行掩码语言建模或下一句预测，但它主要用于在下游任务上进行微调。请访问 模型中心 查找你感兴趣任务的微调版本。

请注意，此模型主要针对使用整个句子（可能被遮盖）进行决策的任务进行微调，例如序列分类、token 分类或问答。对于文本生成等任务，你应该查看 GPT2 等模型。

如何使用

你可以直接使用 pipeline 进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='prithivMLmods/Betelgeuse-bert-base-uncased')
>>> unmasker("Hello I'm a [MASK] model.")

[{'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.1073106899857521,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.08774490654468536,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a new model. [SEP]",
  'score': 0.05338378623127937,
  'token': 2047,
  'token_str': 'new'},
 {'sequence': "[CLS] hello i'm a super model. [SEP]",
  'score': 0.04667217284440994,
  'token': 3565,
  'token_str': 'super'},
 {'sequence': "[CLS] hello i'm a fine model. [SEP]",
  'score': 0.027095865458250046,
  'token': 2986,
  'token_str': 'fine'}]

以下是如何在 PyTorch 中使用此模型获取给定文本特征的方法：

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('prithivMLmods/Betelgeuse-bert-base-uncased')
model = BertModel.from_pretrained("prithivMLmods/Betelgeuse-bert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在 TensorFlow 中：

from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('prithivMLmods/Betelgeuse-bert-base-uncased')
model = TFBertModel.from_pretrained("prithivMLmods/Betelgeuse-bert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

限制与偏见

即使用于训练此模型的数据可以被认为是相当中立的，此模型仍可能产生有偏见的预测：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='prithivMLmods/Betelgeuse-bert-base-uncased')
>>> unmasker("The man worked as a [MASK].")

[{'sequence': '[CLS] the man worked as a carpenter. [SEP]',
  'score': 0.09747550636529922,
  'token': 10533,
  'token_str': 'carpenter'},
 {'sequence': '[CLS] the man worked as a waiter. [SEP]',
  'score': 0.0523831807076931,
  'token': 15610,
  'token_str': 'waiter'},
 {'sequence': '[CLS] the man worked as a barber. [SEP]',
  'score': 0.04962705448269844,
  'token': 13362,
  'token_str': 'barber'},
 {'sequence': '[CLS] the man worked as a mechanic. [SEP]',
  'score': 0.03788609802722931,
  'token': 15893,
  'token_str': 'mechanic'},
 {'sequence': '[CLS] the man worked as a salesman. [SEP]',
  'score': 0.037680890411138535,
  'token': 18968,
  'token_str': 'salesman'}]

>>> unmasker("The woman worked as a [MASK].")

[{'sequence': '[CLS] the woman worked as a nurse. [SEP]',
  'score': 0.21981462836265564,
  'token': 6821,
  'token_str': 'nurse'},
 {'sequence': '[CLS] the woman worked as a waitress. [SEP]',
  'score': 0.1597415804862976,
  'token': 13877,
  'token_str': 'waitress'},
 {'sequence': '[CLS] the woman worked as a maid. [SEP]',
  'score': 0.1154729500412941,
  'token': 10850,
  'token_str': 'maid'},
 {'sequence': '[CLS] the woman worked as a prostitute. [SEP]',
  'score': 0.037968918681144714,
  'token': 19215,
  'token_str': 'prostitute'},
 {'sequence': '[CLS] the woman worked as a cook. [SEP]',
  'score': 0.03042375110089779,
  'token': 5660,
  'token_str': 'cook'}]

这种偏见也会影响此模型的所有微调版本。

训练数据

训练流程

预处理

文本被转换为小写，并使用 WordPiece 进行分词，词汇表大小为 30,000。模型的输入格式如下：

[CLS] 句子 A [SEP] 句子 B [SEP]

句子 A 和句子 B 有 50% 的概率对应于原始语料库中两个连续的句子，其他情况下则是语料库中的另一个随机句子。请注意，这里所谓的"句子"实际上是指通常比单个句子更长的连续文本片段。唯一的限制是两个"句子"的组合长度少于 512 个 token。

每个句子的遮盖过程详情如下：

• 15% 的 token 被遮盖。
• 在 80% 的情况下，被遮盖的 token 被 [MASK] 替换。
• 在 10% 的情况下，被遮盖的 token 被一个随机 token 替换（与原 token 不同）。
• 在剩余 10% 的情况下，被遮盖的 token 保持不变。

预训练

该模型在 Pod 配置的 4 个云 TPU 上（共 16 个 TPU 芯片）训练了 100 万步，批次大小为 256。序列长度在 90% 的步骤中限制为 128 个 token，其余 10% 为 512 个 token。使用的优化器是 Adam，学习率为 1e-4，(\beta_{1} = 0.9) 和 (\beta_{2} = 0.999)，权重衰减为 0.01，学习率预热 10,000 步，之后线性衰减。

评估结果

在下游任务上微调时，此模型取得以下结果：

GLUE 测试结果：