Github
Huggingface
文档
论文Chinese RoBERTa Miniatures项目介绍
背景和简介
Chinese RoBERTa Miniatures是一组针对中文的预训练模型集，这些模型由UER-py进行预训练。该项目的目标是为用户提供一系列不同规模的中文RoBERTa模型，以便在各种语言任务中实现较高的性能。RoBERTa本质上是一种对BERT优化后的模型，其在理解语言的多任务中具有广泛的应用潜力。
这个项目基于不同的论文和开源资源，包括由Turc等人在研究中指出的BERT标准配置，以及对一系列模型规模的有效实现。此外，腾讯的TencentPretrain也贡献了相关的工具来支持大参数模型并扩展为多模态预训练框架。
模型概述
项目中提供了24种预训练的Chinese RoBERTa模型，从参数量极小的“Tiny”模型到较大的“Base”模型。具体来说，模型根据层数（L）和隐藏层大小（H）进行了不同的组合，以适应不同的计算资源和应用场景需求。
- 层数（L）：模型的深度
- 隐藏层大小（H）：模型每层的维度大小
性能表现
该项目根据六个中文任务的开发集提供了每个模型的评分，这些任务包括书评分析、情感分类、口语理解等。评分数据显示，随着模型规模的增大，模型在各类任务中的表现逐渐提升，其中RoBERTa-Base模型的整体评分最高。
如何使用
用户可以使用HuggingFace的pipeline直接在Python中应用这些模型进行掩码语言模型任务。例如，可以使用RoBERTa-Medium通过填充掩码的方式预测句子中的隐藏词汇。模型也支持提取特定文本的特征，并且兼容PyTorch和TensorFlow两种框架。
训练数据与过程
训练数据采用了CLUECorpusSmall，相较于CLUECorpus2020，尽管CLUECorpus2020数据量更大，但模型在CLUECorpusSmall上的预训练效果更优。在腾讯云上使用UER-py进行训练的过程中，模型首先以序列长度128训练100万步，然后再以序列长度512继续训练25万步，训练参数在各种模型规模下保持一致。
引用
如果在学术研究中使用这些模型，请参考相关论文进行引用。这不仅有助于模型的进一步发展，也能够支持开源社区的长足进步。
通过简化模型复杂性与增加用户友好性，Chinese RoBERTa Miniatures为中文自然语言处理提供了一种有效且可扩展的工具选择，助力更多的研究和应用落地。
