squeezebert-uncased

squeezebert-uncased

SqueezeBERT:提高NLP任务效率的高效开源模型

SqueezeBERT是一个专注于提高自然语言处理任务效率的无大小写敏感的预训练模型。其架构通过分组卷积替换点对点全连接层,使其在Google Pixel 3设备上运行速度比bert-base-uncased快4.3倍。利用Mask Language Model和Sentence Order Prediction对模型进行了预训练,所使用的数据集包括BookCorpus和English Wikipedia。尽管模型尚未微调,但SqueezeBERT为文本分类任务奠定了坚实基础,建议使用squeezebert-mnli-headless作为起点。

预训练HuggingfaceGithub开源项目模型组卷积微调SqueezeBERT语言模型

SqueezeBERT 简介

squeezebert-uncased 是一种针对英语语言的预训练模型,采用了掩码语言模型(MLM)和句子顺序预测(SOP)作为训练目标。它在原始 BERT-base 模型架构的基础上进行了改进,将点对点的全连接层替换为分组卷积,从而实现了更高的效率。据研究表明,SqueezeBERT 在 Google Pixel 3 智能手机上的运行速度比 bert-base-uncased 快 4.3 倍。

预训练

数据集

SqueezeBERT 的预训练使用了以下两个重要的数据集:

  • BookCorpus:包含成千上万本未出版的书籍。
  • 英文维基百科:庞大的百科全书内容。

预训练过程

这个模型通过两种任务进行预训练:掩码语言模型(MLM)和句子顺序预测(SOP)。团队使用 LAMB 优化器来训练模型,该优化器以大批量数据和适当的学习率著称。具体来说,他们使用了全局批大小 8192,学习率为 0.0025,热身比例为 0.28。在整个预训练过程中,模型先是以最大序列长度为 128 进行 56,000 步训练,随后以最大序列长度为 512 进行 6,000 步的训练。

微调

在微调阶段,SqueezeBERT 提供了两种方法:

  • 不加修饰的微调:在每个 GLUE 任务上对预训练后的 SqueezeBERT 模型进行微调。
  • 加以修饰的微调:在 MNLI 任务上通过一个教师模型进行蒸馏微调,然后使用该模型在其他 GLUE 任务上进行进一步有效的蒸馏微调。

这些方法中的超参数细节可在 SqueezeBERT 论文附录中找到。

需要注意的是,目前在仓库中尚未实现使用蒸馏技术微调 SqueezeBERT 的方法。如果该项目的作者林道拉(Forrest Iandola)收到足够的用户反馈支持,他将考虑在 Transformers 中添加此部分的示例代码。目前,这个模型只进行了预训练,还未经过微调。对于大多数文本分类任务,建议从 squeezebert-mnli-headless 开始。

微调教程

例如,可以使用以下命令对 SqueezeBERT 进行 MRPC 文本分类任务的微调:

./utils/download_glue_data.py python examples/text-classification/run_glue.py \ --model_name_or_path squeezebert-base-headless \ --task_name mrpc \ --data_dir ./glue_data/MRPC \ --output_dir ./models/squeezebert_mrpc \ --overwrite_output_dir \ --do_train \ --do_eval \ --num_train_epochs 10 \ --learning_rate 3e-05 \ --per_device_train_batch_size 16 \ --save_steps 20000

引用信息

如果需要引用 SqueezeBERT 的研究文章,可以参考以下 BibTeX 条目:

@article{2020_SqueezeBERT, author = {Forrest N. Iandola and Albert E. Shaw and Ravi Krishna and Kurt W. Keutzer}, title = {{SqueezeBERT}: What can computer vision teach NLP about efficient neural networks?}, journal = {arXiv:2006.11316}, year = {2020} }

通过上述介绍,SqueezeBERT 提供了一种更快速和高效的神经网络模型,无论是在预训练还是在特定任务的微调上都有显著优势。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多