small - Funnel Transformer小模型助力有效的英文处理

项目介绍：Funnel Transformer 小型模型

模型简介

Funnel Transformer是一个针对英语语言预训练的小型变换器模型。这种预训练采用了类似于ELECTRA的目标，在原始文本上进行自监督学习。由于这种方法不需要人工标注数据，因此可以利用大量的公开数据集进行训练。模型采用了一种生成-鉴别的策略，通过一个小型语言模型对输入文本进行扰动，然后训练模型辨别哪些词是原始的，哪些是替换的。这与生成对抗网络（GAN）的训练有些类似。

模型用途及限制

Funnel Transformer的小型模型主要用于提取文本的特征表示，适合在下游任务中进行微调，如序列分类、标记分类或问题回答等需要使用完整句子（可能包含掩码）的任务。但如果任务是生成文本，推荐使用其他模型例如GPT2。

如何使用

用户可以通过PyTorch或TensorFlow来调用该模型：

在PyTorch中：

from transformers import FunnelTokenizer, FunnelModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/small")
model = FunnelModel.from_pretrained("funnel-transformer/small")
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 FunnelTokenizer, TFFunnelModel
tokenizer = FunnelTokenizer.from_pretrained("funnel-transformer/small")
model = TFFunnelModel.from_pretrained("funnel-transformer/small")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

Funnel Transformer模型的预训练数据集包括：

BookCorpus：由11,038本未公开发行的书籍构成的数据集。
英文维基百科：排除了列表、表格和标题的内容。
ClueWeb：包含733,019,372个英文网页的数据集。
GigaWord：新闻文本数据存档。
Common Crawl：原始网页数据集。

进一步阅读

Funnel Transformer的更多技术细节和贝叶斯条目可以参考以下文献：

@misc{dai2020funneltransformer,
    title={Funnel-Transformer: Filtering out Sequential Redundancy for Efficient Language Processing},
    author={Zihang Dai and Guokun Lai and Yiming Yang and Quoc V. Le},
    year={2020},
    eprint={2006.03236},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

此模型方案主要来自Hugging Face团队所编写的模型卡信息。