天池-NLP中文预训练模型泛化能力挑战赛心路例程

在天池的NLP中文预训练模型泛化能力挑战中,作者分享了第一天的经验。基线实验中遇到k40显卡算力限制,只能运行pytorch1.3。关键提升点包括:利用BERT隐藏层,探索pooler output的作用,自适应训练如DAPT和TAPT,以及模型融合策略。作者提出多模型融合的优化问题,并提到textcnn与bert的结合应用可能带来显著效果提升。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

day1

  1. 跑了一个baseline
  2. 装k40的pytorch
    真就坑死了,k40算力不够最多装pytorch1.3
    pytorch1.3及以下没有的语法是
import torch
a = torch.tensor([1,2])
print(a==None) #判断是否为空

需要改成

import torch
a = torch.tensor([1,2])
print(a.numel()) #判断是否为空

提分点:
1、bert隐藏层的运用
2、pooler output
sequence_output表示最后一层。首先经过一个self.pooler变换,也就是sequence_output输入BertPooler这个类之后,取了句子第一个token(first_token_tensor,即CLS)的向量,然后将first_token_tensor输入self.dense。从该类的初始化中可知,self.dense是一个线性层,参数为768 * 768。经过该线性层之后,又过了一个Tanh激活函数。然后得到pooled_output(1 * 768 )。

经过BertModel类之后,返回了两个输出sequence_output(len * 768)和pooled_output(1 * 768 )。

3、自适应训练
DAPT (domain-adaptive pretraining )
TAPT(Task-Adaptive Pretraining)
4、模型融合
想问下,有多模型,额,多模型融合优化的课程嘛?工程上,想上一个,模型优化上,我看同样使用bert gpt模型优化的好的,有些融合模型,比直接用bert这些,能提升百分之30甚至40的效果。
5、textcnn+bert

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

杰出的小茄子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值