distilbert/distilbert-base-uncased · Hugging Face

来源：https://huggingface.co/distilbert/distilbert-base-uncased
此模型是BERT基础模型 (https://huggingface.co/bert-base-uncased) 的蒸馏版本。它在本文 (https://arxiv.org/abs/1910.01108) 中提出。蒸馏过程的代码可在此处 (https://github.com/huggingface/transformers/tree/main/examples/research_projects/distillation) 找到。该模型不区分大小写：它不会区分“english”和“English”。

模型描述

DistilBERT 是一个transformers模型，比BERT更小更快，它以自监督方式在与BERT相同的数据集上进行预训练，并使用BERT基础模型作为教师模型。这意味着它仅在原始文本上进行预训练，没有任何人工标注（因此它可以利用大量公开可用数据），并通过一个自动过程使用BERT基础模型从这些文本生成输入和标签。更准确地说，它通过三个目标进行预训练：

• 蒸馏损失：训练模型使其输出与BERT基础模型相同的概率分布。
• 掩码语言建模：这是BERT基础模型原始训练损失的一部分。模型在输入句子中随机掩码15%的词，然后将整个掩码句子输入模型以预测被掩码的词。这与通常逐词处理的传统循环神经网络，或像GPT这样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。
• 余弦嵌入损失：模型还被训练以生成尽可能接近BERT基础模型的隐藏状态。

通过这种方式，模型学习到了与其教师模型相同的英语内部表示，同时在推理或下游任务中速度更快。

预期用途与限制

您可以使用原始模型进行掩码语言建模或下一句预测，但其主要目的是在下游任务上进行微调。请查看模型中心 (https://huggingface.co/models?filter=distilbert) 以查找您感兴趣任务上的微调版本。

请注意，此模型主要旨在用于需要对整个句子（可能经过掩码处理）进行决策的任务，例如序列分类、标记分类或问答。对于文本生成等任务，您应该考虑GPT2等模型。

使用方法

您可以直接使用管道进行掩码语言建模：

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

[{'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.05292855575680733,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.03968575969338417,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a business model. [SEP]",
  'score': 0.034743521362543106,
  'token': 2449,
  'token_str': 'business'},
 {'sequence': "[CLS] hello i'm a model model. [SEP]",
  'score': 0.03462274372577667,
  'token': 2944,
  'token_str': 'model'},
 {'sequence': "[CLS] hello i'm a modeling model. [SEP]",
  'score': 0.018145186826586723,
  'token': 11643,
  'token_str': 'modeling'}]

以下是使用此模型在PyTorch中获取给定文本特征的方法：

from transformers import DistilBertTokenizer, DistilBertModel
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-uncased')
model = DistilBertModel.from_pretrained("distilbert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

以及在TensorFlow中：

from transformers import DistilBertTokenizer, TFDistilBertModel
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-uncased')
model = TFDistilBertModel.from_pretrained("distilbert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

局限性与偏见

即使用于此模型的训练数据可以被认为是相当中性的，但该模型的预测仍可能存在偏见。它也继承了其教师模型 (https://huggingface.co/bert-base-uncased#limitations-and-bias) 的一些偏见。

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

[{'sequence': '[CLS] the white man worked as a blacksmith. [SEP]',
  'score': 0.1235365942120552,
  'token': 20987,
  'token_str': 'blacksmith'},
 {'sequence': '[CLS] the white man worked as a carpenter. [SEP]',
  'score': 0.10142576694488525,
  'token': 10533,
  'token_str': 'carpenter'},
 {'sequence': '[CLS] the white man worked as a farmer. [SEP]',
  'score': 0.04985016956925392,
  'token': 7500,
  'token_str': 'farmer'},
 {'sequence': '[CLS] the white man worked as a miner. [SEP]',
  'score': 0.03932540491223335,
  'token': 18594,
  'token_str': 'miner'},
 {'sequence': '[CLS] the white man worked as a butcher. [SEP]',
  'score': 0.03351764753460884,
  'token': 14998,
  'token_str': 'butcher'}]

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

[{'sequence': '[CLS] the black woman worked as a waitress. [SEP]',
  'score': 0.13283951580524445,
  'token': 13877,
  'token_str': 'waitress'},
 {'sequence': '[CLS] the black woman worked as a nurse. [SEP]',
  'score': 0.12586183845996857,
  'token': 6821,
  'token_str': 'nurse'},
 {'sequence': '[CLS] the black woman worked as a maid. [SEP]',
  'score': 0.11708822101354599,
  'token': 10850,
  'token_str': 'maid'},
 {'sequence': '[CLS] the black woman worked as a prostitute. [SEP]',
  'score': 0.11499975621700287,
  'token': 19215,
  'token_str': 'prostitute'},
 {'sequence': '[CLS] the black woman worked as a housekeeper. [SEP]',
  'score': 0.04722772538661957,
  'token': 22583,
  'token_str': 'housekeeper'}]

此偏见也会影响此模型的所有微调版本。

训练数据

DistilBERT 使用与BERT相同的数据进行预训练，即BookCorpus (https://yknzhu.wixsite.com/mbweb)（一个包含11,038本未出版书籍的数据集）和英文维基百科 (https://en.wikipedia.org/wiki/English_Wikipedia)（不包括列表、表格和标题）。

训练过程

数据预处理

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

[CLS] 句子A [SEP] 句子B [SEP]

以0.5的概率，句子A和句子B对应于原始语料库中两个连续的句子，在其他情况下，它是语料库中的另一个随机句子。请注意，这里被视为“句子”的是一个连续的文本段，通常比单个句子长。唯一的约束是两个“句子”的组合长度小于512个标记。

每个句子的掩码过程细节如下：

• 15%的标记被掩码。
• 在80%的情况下，被掩码的标记被替换为[MASK]。
• 在10%的情况下，被掩码的标记被替换为一个随机的不同于原始标记的标记。
• 在剩下的10%情况下，被掩码的标记保持不变。

预训练

该模型在8块16GB V100 GPU上训练了90小时。所有超参数细节请参见训练代码 (https://github.com/huggingface/transformers/tree/main/examples/research_projects/distillation)。

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：

GLUE测试结果：

BibTeX引用信息

@article{Sanh2019DistilBERTAD,
  title={DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter},
  author={Victor Sanh and Lysandre Debut and Julien Chaumond and Thomas Wolf},
  journal={ArXiv},
  year={2019},
  volume={abs/1910.01108}
}