来了来了，它来了！它带着全新的tokenizer API、TensorFlow改进以及增强的文档和教程来了！

G站上最受欢迎的NLP项目，AI界无人不知的最先进NLP模型Transformer刚刚推出了第三代。

这次更新力度可谓诚意满满，不仅带来了2代的升级，同时还增加了一些新的功能和特性。下面我们就来看看都更新了哪些项目吧。


对比前一代的重大改动

首先我们来看看和Transformer v2相比，v3做出了哪些比较令人瞩目的更新。

BERT被一分为二

BERT被分割为BertForMaskedLM和BertLMHeadModel，因此，以后就不能再拿BertForMaskedLM做因果语言建模，也不能接受lm_labels参数。

Trainer从类转为方法

v3还对Trainer数据整理器做了一个改动，将其从一个类改成了一个方法。

直接设置tokenizer的特殊标记属性

在v3中，你可以直接设置tokenizer的特殊标记属性，例如tokenizer.mask_token = '<mask>'。目前v2中，只是将标记关联到tokenizer的属性，但如果该标记不在词汇表中，则不会将其添加到词汇表中，必须使用 tokenizer.add_special_tokens() 和 tokenizer.add_tokens() 方法才能添加标记。

prepare_for_model被移除

作为新的 tokenizer API 的一部分，prepare_for_model 方法被移除。


新的 Tokenizer API

随着rust tokenizers的加入，tokenizers在第2版中发展迅速。现在，它有了一个更简单、更灵活的 API，在 Python（slow）和 Rust（fast）tokenizers 之间进行了调整。新的 API 让你可以更深入地控制截断和填充，允许动态填充或填充到 8 的倍数。

重新设计的 API 详细解释：

https://huggingface.co/transformers/master/preprocessing.html。

下面我们来看看这些显著的变化：

  • 现在可以截断一个模型的最大输入长度，同时填充一个批次中最长的序列。

  • 填充和截断被解耦，更容易控制。

  • 它可以pad到预定义长度的倍数例如8，可以为最新的NVIDIA GPU（V100）带来显著的速度提升。

  • 一个使用 tokenizer.__call__ 的通用包装器，可用于所有情况（例如单个序列、一对序列到组、批次等）。

  • tokenizer 现在可以接受预标记化的输入。

  • 现在，所有的Rust tokenizers都像slow tokenizers一样被全面测试了。

  • 一个新类 AddedToken ，用来对添加的标记，在标记化过程中的行为，进行更精细的控制。特别是用户可以控制(1)在标记化过程中，标记周围的左右空格是否会被移除(2)标记是否会在另一个词中被识别，以及(3)标记是否会以标准化的形式被识别(例如，如果标记化器使用小写字母)。

  • 序列化问题得到解决

  • 在 tokenizers 上使用 return_tensors 参数时，可以创建 NumPy tensors。

  • 引入了一个新的枚举 TensorType 来映射我们支持的所有可能的张量后端：TensorType.TENSORFLOW, TensorType.PYTORCH, TensorType.NUMPY。

  • Tokenizers 现在接受 encode(...)、encode_plus(...)、batch_encode_plus(...) tokenizer 方法的 return_tensors 参数的 TensorType enum。

  • BatchEncoding 新增的属性 is_fast 表示 BatchEncoding 是来自 Python（slow）tokenizer 还是 Rust（fast）tokenizer。

  • slow和fast tokenizer 现在是可挑选的。它们的输出也是如此，即 dict 子类 BatchEncoding。


其他激动人心的改进

针对TensorFlow的改进

全新版本中，针对TensorFlow进行了非常大的升级：

  • TensorFlow模型现在可以自己计算损失，使用TFPretrainedModel.compute_loss方法。

  • 现在可以在TensorFlow中调整token嵌入的大小

  • Cleaning TensorFlow model

新增MobileBERT

《MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices 》中的MobileBERT被添加到PyTorch和TensorFlow的库中。

论文地址：

https://arxiv.org/abs/2004.02984

增加了一个单一的检查点：mobilebert-uncased，也就是按照我们的 API 转换的 uncased_L-24_H-128_B-512_A-4_F-4_OPT 检查点。

增强examples/seq2seq内容

全新版本中，将旧的 examples/summarization和 examples/translation文件夹整合到了一个新的examples/seq2seq文件夹中。

  • Finetuning在summarization时效果不错，不过翻译时需要更多的实验。Finetuning可以在多gpu上工作，在验证过程中保存rouge分数，并提供--freeze_encoder和--freeze_embeds选项。这些选项使得BART在cnn/dailymail数据集上的精调速度提高了5倍。

  • 在distillation.py中添加了Distillbart代码。目前，它只支持汇总。

  • 评估对于summarization和翻译都很好用。

  • 新增权重和偏差共享任务，用于XSUM总结任务的协作。

Distilbart

  • Distilbart模型是bart-large-cnn和bart-large-xsum的较小版本，它们可以使用BartForConditionalGeneration.from_pretrained('sshleifer/distilbart-xsum-12-6')来加载

  • 重现的命令可以在examples/seq2seq文件夹中找到。

新增BERT Loses Patience

基准

对基准脚本进行了整合，并增加了一些功能。

针对Tensorflow增加推理：CPU、GPU、GPU+XLA、GPU+急切模式、CPU+急切模式、TPU。

针对PyTorch增加了推理和训练：

  • 推理：CPU, CPU + torchscript, GPU, GPU + torchscript, GPU + 混合精度, Torch/XLA TPU

  • 训练：CPU、GPU、GPU+混合精度、Torch/XLA TPU。