T5 Large模型卡片

目录

模型细节

模型描述

T5的开发者提出了一种将所有NLP任务重新构建为统一的文本到文本格式的方法，其中输入和输出始终为文本字符串，而不像BERT风格的模型只能输出类标签或输入的一部分。我们的文本到文本框架使我们能够在任何NLP任务上使用相同的模型、损失函数和超参数。

T5-Large是具有7.7亿参数的检查点。

• 开发者：Colin Raffel, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, Peter J. Liu. 参考文献： associated paper , 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

用途

直接使用和下游应用

开发者在 blog post 中写道：

我们的文本到文本框架使我们能够在任何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）。我们甚至可以通过训练T5预测数字的字符串表示而不是数字本身，将T5应用于回归任务。

更多细节参见 blog post 和 research paper 。

不适用的用途

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。

训练细节

训练数据

该模型是在 Colossal Clean Crawled Corpus (C4) 上进行预训练的，这个数据集是在与T5相同的 research paper 背景下开发和发布的。

该模型在一个多任务混合的无监督（1.）和监督任务（2.）上进行了预训练。具体来说，以下数据集被用于（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
• 释义/句子相似度
  • MRPC Dolan and Brockett, 2005
  • STS-B Ceret al., 2017
  • QQP Iyer et al., 2017
• 自然语言推理
  • MNLI Williams et al., 2017
  • QNLI Rajpurkar et al.,2016
  • RTE Dagan et al., 2005
  • CB De Marneff et al., 2019
• 句子完成
  • 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，模型开发者写道：

本文通过引入一种统一框架，将每个语言问题转换为文本到文本格式，探索了NLP的迁移学习技术的局限性。我们对几十个语言理解任务中的预训练目标、架构、无标签数据集、迁移方法和其他因素进行了系统研究。

T5框架是开发者研究的方法的结合，包括一套训练过程。更多细节参见 research paper 。

评估

测试数据、因素和度量

开发者在24个任务上对模型进行了评估，详见 research paper 以获取完整详情。

结果

T5-Large的完整结果，请参见 research paper 中的表14。

环境影响

可以使用 Machine Learning Impact calculator 在 Lacoste et al. (2019) 中提出的方法估计碳排放量。

• 硬件类型：Google Cloud TPU Pods
• 使用时间：更多信息需要
• 云服务提供商：GCP
• 计算区域：更多信息需要
• 排放的碳量：更多信息需要

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团队撰写。

如何开始使用该模型

使用以下代码可以开始使用该模型。

from transformers import T5Tokenizer, T5Model

tokenizer = T5Tokenizer.from_pretrained("t5-large")
model = T5Model.from_pretrained("t5-large")

input_ids = tokenizer(
    "Studies have been shown that owning a dog is good for you", return_tensors="pt"
).input_ids  # Batch size 1
decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids  # Batch size 1

# forward pass
outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)
last_hidden_states = outputs.last_hidden_state

更多示例，请参见 Hugging Face T5 文档和 Colab Notebook ，这些示例由模型开发者创建。