Transformers 文档
FLAN-UL2
加入 Hugging Face 社区
并获得增强的文档体验
开始使用
FLAN-UL2
概述
Flan-UL2 是一个基于 T5 架构的编码器-解码器模型。它使用了与去年早些时候发布的 UL2 模型相同的配置。它使用了“Flan”提示微调和数据集集合进行了微调。与 Flan-T5
类似,用户可以直接使用 FLAN-UL2 的权重而无需对模型进行微调。
根据原始博客,以下是显著的改进:
- 原始 UL2 模型的训练感受野仅为 512,这使得它在 N 值较大的 N-shot 提示场景中表现不理想。
- Flan-UL2 检查点使用了 2048 的感受野,这使其更适用于少样本上下文学习(few-shot in-context learning)。
- 原始 UL2 模型还有模式切换标记(mode switch tokens),这对于获得良好性能是必需的。然而,它们有些繁琐,因为这通常需要在推理或微调过程中进行一些更改。在这次更新/更改中,我们在应用 Flan 指令微调之前,继续用小批量对 UL2 20B 进行额外的 10 万步训练,以忘记“模式标记”。这个 Flan-UL2 检查点不再需要模式标记。Google 发布了以下变体:
原始检查点可以在此处找到。
在低资源设备上运行
该模型非常大(半精度下约 40GB),所以如果你只是想运行模型,请确保以 8 位模式加载模型,并使用 device_map="auto"
以确保不会出现内存不足(OOM)问题!
>>> from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
>>> model = AutoModelForSeq2SeqLM.from_pretrained("google/flan-ul2", load_in_8bit=True, device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("google/flan-ul2")
>>> inputs = tokenizer("A step by step recipe to make bolognese pasta:", return_tensors="pt")
>>> outputs = model.generate(**inputs)
>>> print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
['In a large skillet, brown the ground beef and onion over medium heat. Add the garlic']
有关 API 参考、提示、代码示例和笔记本,请参阅 T5 的文档页面。