Allensmile/Chinese-MobileBERT

本项目包含使用中文数据训练的MobileBERT模型。MobileBERT是BERT-large模型更“苗条”的版本，使用了瓶颈结构（bottleneck）并且对自注意力和前馈神经网络之间的平衡做了细致的设计。

本项目基于谷歌原版MobileBERT实现：谷歌官方MobileBERT项目

说明：本目录仅作为个人存档使用，如有问题还请互助解决。

查看更多哈工大讯飞联合实验室（HFL）发布的资源：https://github.com/ymcui/HFL-Anthology

内容导引

章节	描述
简介	MobileBERT预训练模型的基本原理
模型下载	中文MobileBERT预训练模型的下载地址
基线系统效果	在部分NLU任务上的基线系统效果
如何预训练和精调任务	介绍了如何预训练MobileBERT，以及在下游任务中精调
FAQ	常见问题答疑

简介

请直接参考MobileBERT原论文：MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices

说明：

本目录中的base-f2和base-f4是以RoBERTa-wwm-ext为教师模型，训练2M步（batch=384）。
本目录中的large-f2和large-f4是以RoBERTa-wwm-ext-large为教师模型，训练2M步（batch=128）。

以下为本项目的目录结构；

config目录：存放了所有模型config，roberta_wwm_ext*.json是教师模型的config（分别对应base和large），student*.json是学生模型（也就是MobileBERT）的config。uncased开头的是谷歌英文原版MobileBERT的config（供参考）。
pretrain目录：提供了预训练MobileBERT的代码（几乎与谷歌原版一致）
finetune目录：提供了精调XNLI任务的代码

模型下载

原版下载地址

这里主要提供TensorFlow 1.15版本的模型权重。如需PyTorch或者TensorFlow2版本的模型，请看下一小节。

以下是每个模型的重要参数，更详细的参数请查看每个模型的config文件。

结构	总层数	中间层大小	隐层大小	瓶颈大小	注意力头数	FFN层数	总参数量^[1]
Base-f2	12	512	768	144	12	2	26.3M
Base-f4	12	768	768	144	12	4	32.2M
Large-f2	24	512	1024	128	16	2	40.6M
Large-f4	24	512	1024	128	16	4	52.9M

[1] 对照BERT-base是110M（约），BERT-large是330M（约）。

模型简称	模型文件大小	百度盘下载
Chinese-MobileBERT-base-f2	672MB	TensorFlow（密码：56bj）
Chinese-MobileBERT-base-f4	737MB	TensorFlow（密码：v2v7）
Chinese-MobileBERT-large-f2	1.66GB	TensorFlow（密码：6m5a）
Chinese-MobileBERT-large-f4	1.80GB	TensorFlow（密码：3h9b）

注：模型中的adam相关参数未删除，故模型文件较大。如有必要请自行删除。

PyTorch以及TensorFlow 2版本

目前使用transformers给出的TF转PT脚本转换本目录中的模型会有一些问题，暂时不提供PT版本下载。

基线系统效果

为了测试中文MobileBERT的效果，我们选取了6个NLU进行测试，主要分为阅读理解和文本分类两大类。

阅读理解

在以下两个任务上进行了测试：

MobileBERT超参：初始学习率3e-5、训练2轮、batch_size 32、最大长度512，其余保持默认。（注意：超参并非最优，还请自行多尝试）

评价指标：EM/F1

CMRC 2018数据集	开发集	测试集	挑战集
BERT	65.5 / 84.5	70.0 / 87.0	18.6 / 43.3
RoBERTa-wwm-ext	67.4 / 87.2	72.6 / 89.4	26.2 / 51.0
MobileBERT-base-f2	59.8 / 81.4	65.4 / 84.2	16.3 / 37.3
MobileBERT-base-f4	62.4 / 83.3	67.5 / 85.8	19.0 / 41.6
RoBERTa-wwm-ext-large	68.5 / 88.4	74.2 / 90.6	31.5 / 60.1
MobileBERT-large-f2	62.4 / 84.0	67.1 / 86.3	22.4 / 45.5
MobileBERT-large-f4	64.4 / 85.6	68.2 / 87.1	22.2 / 46.3

DRCD数据集	开发集	测试集
BERT	83.1 / 89.9	82.2 / 89.2
RoBERTa-wwm-ext	86.6 / 92.5	85.6 / 92.0
MobileBERT-base-f2	81.4 / 88.6	80.3 / 87.7
MobileBERT-base-f4	84.6 / 90.8	83.2 / 89.8
RoBERTa-wwm-ext-large	89.6 / 94.8	89.6 / 94.5
MobileBERT-large-f2	84.1 / 90.5	83.3 / 90.2
MobileBERT-large-f4	86.1 / 91.3	85.5 / 91.3

文本分类

在以下四个任务上进行了测试：

MobileBERT超参：初始学习率6e-5、训练3轮（XNLI为2轮）、batch_size为64、最大长度128（CSC为256），其余保持默认。（注意：超参并非最优，还请自行多尝试）

评价指标：Accuracy

XNLI数据集	开发集	测试集
BERT	77.8	77.8
RoBERTa-wwm-ext	80.0	78.8
MobileBERT-base-f2	74.3	73.6
MobileBERT-base-f4	75.4	74.9
RoBERTa-wwm-ext-large	82.1	81.2
MobileBERT-large-f2	75.5	75.6
MobileBERT-large-f4	76.4	76.1

CSC数据集	开发集	测试集
BERT	94.7	95.0
RoBERTa-wwm-ext	95.0	95.6
MobileBERT-base-f2	94.0	94.0
MobileBERT-base-f4	93.4	94.0
RoBERTa-wwm-ext-large	95.8	95.8
MobileBERT-large-f2	93.8	94.8
MobileBERT-large-f4	94.7	95.3

LCQMC数据集	开发集	测试集
BERT	89.4	86.9
RoBERTa-wwm-ext	89.0	86.4
MobileBERT-base-f2	84.8	82.7
MobileBERT-base-f4	85.8	84.1
RoBERTa-wwm-ext-large	90.4	87.0
MobileBERT-large-f2	87.8	84.9
MobileBERT-large-f4	87.2	85.4

BQ数据集	开发集	测试集
BERT	86.0	84.8
RoBERTa-wwm-ext	86.4	85.3
MobileBERT-base-f2	82.3	81.2
MobileBERT-base-f4	83.1	83.1
RoBERTa-wwm-ext-large	86.3	85.8
MobileBERT-large-f2	84.0	83.7
MobileBERT-large-f4	84.4	84.3

如何预训练和精调任务

预训练：请查看pretrain目录中的README.md。
下游任务精调：请查看finetune目录中的README.md。

FAQ

1）本项目实际完成时间久远（2020年），如有问题还请自行查阅资料解决，感谢理解。

2）本项目中的内容仅供参考，实现也并非完全按照谷歌官方的配置进行，请酌情使用。

致谢

感谢TPU Research Cloud（TRC）提供TPU训练支持。

I would like to thank TPU Research Cloud (TRC) program for TPU access.

引用

@misc{cui-2022-chinese-mobilebert,
  title={Chinese MobileBERT},
  author={Cui, Yiming},
  howpublished={\url{https://github.com/ymcui/Chinese-MobileBERT}},
  year={2022}
}

About

Chinese MobileBERT（中文MobileBERT模型）

Apache License 2.0

Languages

Language:Python 99.2%Language:Shell 0.8%