BERT large model (uncased)

基于英语语言、使用掩码语言模型（MLM）目标进行预训练的模型。该模型在此论文中被提出，并首次在此仓库中发布。此模型为 uncased 版本：即“english”和“English”之间没有区别。

免责声明：发布 BERT 的团队未为此模型编写模型卡片，因此本模型卡片由 Hugging Face 团队编写。

模型描述

BERT 是一个在大型英语语料库上以自监督方式预训练的 transformers 模型。这意味着它仅在原始文本上进行预训练，无需人工以任何方式对其进行标记（这也是它能够利用大量公开可用数据的原因），并通过自动流程从这些文本中生成输入和标签。更准确地说，它是通过两个目标进行预训练的：

• 掩码语言模型（MLM）：对于一个句子，模型会随机掩码输入中 15% 的词，然后将整个掩码后的句子输入模型，并预测被掩码的词。这与传统的循环神经网络（RNNs）通常逐个查看单词的方式不同，也与像 GPT 这样在内部掩码未来标记的自回归模型不同。它允许模型学习句子的双向表示。
• 下一句预测（NSP）：模型在预训练期间将两个掩码句子连接起来作为输入。有时它们对应于原始文本中相邻的句子，有时则不是。然后模型需要预测这两个句子是否前后相邻。

通过这种方式，模型学习到英语语言的内部表示，该表示随后可用于提取对下游任务有用的特征：例如，如果您有一个带标签的句子数据集，您可以使用 BERT 模型生成的特征作为输入来训练标准分类器。

该模型具有以下配置：

• 24 层
• 1024 隐藏维度
• 16 个注意力头
• 3.36 亿参数。

预期用途和限制

您可以将原始模型用于掩码语言建模或下一句预测，但它主要旨在针对下游任务进行微调。

请注意，此模型主要用于在需要使用整个句子（可能包含掩码）来做决策的任务上进行微调，例如序列分类、令牌分类或问答任务。对于文本生成等任务，您应该考虑 GPT2 等模型。

使用方法

您可以直接通过管道将此模型用于掩码语言建模：

>>> from openmind import pipeline
>>> unmasker = pipeline('fill-mask', model='Changchun_Ascend/bert-large-uncased')
>>> unmasker("Hello I'm a [MASK] model.")
[{'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.1886913776397705,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a professional model. [SEP]",
  'score': 0.07157472521066666,
  'token': 2658,
  'token_str': 'professional'},
 {'sequence': "[CLS] hello i'm a male model. [SEP]",
  'score': 0.04053466394543648,
  'token': 3287,
  'token_str': 'male'},
 {'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.03891477733850479,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a fitness model. [SEP]",
  'score': 0.03038121573626995,
  'token': 10516,
  'token_str': 'fitness'}]

训练数据

BERT 模型在 BookCorpus 语料库上进行了预训练，该数据集包含 11,038 本未出版书籍，同时还使用了 English Wikipedia（不包含列表、表格和标题）。

训练流程

预处理

文本经过小写转换后，使用 WordPiece 分词方法进行处理，词汇表大小为 30,000。模型的输入格式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]

以 0.5 的概率，句子 A 和句子 B 对应原始语料库中的两个连续句子，在其他情况下，则是语料库中的另一个随机句子。请注意，此处所指的“句子”是一段连续的文本，通常比单个句子更长。唯一的限制是，这两个“句子”组合后的总长度需少于 512 个 token。

每个句子的 masking 流程细节如下：

• 15% 的 token 被 masking。
• 在 80% 的情况下，被 masking 的 token 会被替换为 [MASK]。
• 在 10% 的情况下，被 masking 的 token 会被替换为一个（与原 token 不同的）随机 token。
• 在剩余 10% 的情况下，被 masking 的 token 保持原样。

预训练

该模型在 Pod 配置的 4 个云 TPU（共 16 个 TPU 芯片）上进行训练，训练步数为一百万步，批处理大小为 256。在 90% 的训练步骤中，序列长度限制为 128 个 token，在剩余 10% 的步骤中则为 512 个 token。使用的优化器为 Adam，学习率为 1e-4，$\beta_{1} = 0.9$，$\beta_{2} = 0.999$，权重衰减为 0.01，学习率预热 10,000 步，之后学习率线性衰减。

评估结果

在下游任务上进行微调后，该模型取得了以下结果：

BibTeX 条目和引用信息

@article{DBLP:journals/corr/abs-1810-04805,
  author    = {Jacob Devlin and
               Ming{-}Wei Chang and
               Kenton Lee and
               Kristina Toutanova},
  title     = {{BERT:} Pre-training of Deep Bidirectional Transformers for Language
               Understanding},
  journal   = {CoRR},
  volume    = {abs/1810.04805},
  year      = {2018},
  url       = {http://arxiv.org/abs/1810.04805},
  archivePrefix = {arXiv},
  eprint    = {1810.04805},
  timestamp = {Tue, 30 Oct 2018 20:39:56 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1810-04805.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}