來了來了，它來了！它帶著全新的tokenizer API、TensorFlow改進以及增強的文檔和教程來了！

G站上最受歡迎的NLP項目，AI界無人不知的最先進NLP模型Transformer剛剛推出了第三代。

這次更新力度可謂誠意滿滿，不僅帶來了2代的升級，同時還增加了一些新的功能和特性。下面我們就來看看都更新了哪些項目吧。

對比前一代的重大改動

首先我們來看看和Transformer v2相比，v3做出了哪些比較令人矚目的更新。

BERT被一分為二

BERT被分割為BertForMaskedLM和BertLMHeadModel，因此，以后就不能再拿BertForMaskedLM做因果語言建模，也不能接受lm_labels參數(shù)。

Trainer從類轉(zhuǎn)為方法

v3還對Trainer數(shù)據(jù)整理器做了一個改動，將其從一個類改成了一個方法。

直接設置tokenizer的特殊標記屬性

在v3中，你可以直接設置tokenizer的特殊標記屬性，例如tokenizer.mask_token = '<mask>'。目前v2中，只是將標記關(guān)聯(lián)到tokenizer的屬性，但如果該標記不在詞匯表中，則不會將其添加到詞匯表中，必須使用 tokenizer.add_special_tokens() 和 tokenizer.add_tokens() 方法才能添加標記。

prepare_for_model被移除

作為新的 tokenizer API 的一部分，prepare_for_model 方法被移除。

新的 Tokenizer API

隨著rust tokenizers的加入，tokenizers在第2版中發(fā)展迅速?，F(xiàn)在，它有了一個更簡單、更靈活的 API，在 Python（slow）和 Rust（fast）tokenizers 之間進行了調(diào)整。新的 API 讓你可以更深入地控制截斷和填充，允許動態(tài)填充或填充到 8 的倍數(shù)。

重新設計的 API 詳細解釋：

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

下面我們來看看這些顯著的變化：

• 現(xiàn)在可以截斷一個模型的最大輸入長度，同時填充一個批次中最長的序列。
• 填充和截斷被解耦，更容易控制。
• 它可以pad到預定義長度的倍數(shù)例如8，可以為最新的NVIDIA GPU（V100）帶來顯著的速度提升。
• 一個使用 tokenizer.__call__ 的通用包裝器，可用于所有情況（例如單個序列、一對序列到組、批次等）。
• tokenizer 現(xiàn)在可以接受預標記化的輸入。
• 現(xiàn)在，所有的Rust tokenizers都像slow tokenizers一樣被全面測試了。
• 一個新類 AddedToken ，用來對添加的標記，在標記化過程中的行為，進行更精細的控制。特別是用戶可以控制(1)在標記化過程中，標記周圍的左右空格是否會被移除(2)標記是否會在另一個詞中被識別，以及(3)標記是否會以標準化的形式被識別(例如，如果標記化器使用小寫字母)。
• 序列化問題得到解決
• 在 tokenizers 上使用 return_tensors 參數(shù)時，可以創(chuàng)建 NumPy tensors。
• 引入了一個新的枚舉 TensorType 來映射我們支持的所有可能的張量后端：TensorType.TENSORFLOW, TensorType.PYTORCH, TensorType.NUMPY。
• Tokenizers 現(xiàn)在接受 encode(...)、encode_plus(...)、batch_encode_plus(...) tokenizer 方法的 return_tensors 參數(shù)的 TensorType enum。
• BatchEncoding 新增的屬性 is_fast 表示 BatchEncoding 是來自 Python（slow）tokenizer 還是 Rust（fast）tokenizer。
• slow和fast tokenizer 現(xiàn)在是可挑選的。它們的輸出也是如此，即 dict 子類 BatchEncoding。

其他激動人心的改進

針對TensorFlow的改進

全新版本中，針對TensorFlow進行了非常大的升級：

• TensorFlow模型現(xiàn)在可以自己計算損失，使用TFPretrainedModel.compute_loss方法。
• 現(xiàn)在可以在TensorFlow中調(diào)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的庫中。

論文地址：

https://arxiv.org/abs/2004.02984

增加了一個單一的檢查點：mobilebert-uncased，也就是按照我們的 API 轉(zhuǎn)換的 uncased_L-24_H-128_B-512_A-4_F-4_OPT 檢查點。

增強examples/seq2seq內(nèi)容

全新版本中，將舊的 examples/summarization和 examples/translation文件夾整合到了一個新的examples/seq2seq文件夾中。

• Finetuning在summarization時效果不錯，不過翻譯時需要更多的實驗。Finetuning可以在多gpu上工作，在驗證過程中保存rouge分數(shù)，并提供--freeze_encoder和--freeze_embeds選項。這些選項使得BART在cnn/dailymail數(shù)據(jù)集上的精調(diào)速度提高了5倍。
• 在distillation.py中添加了Distillbart代碼。目前，它只支持匯總。
• 評估對于summarization和翻譯都很好用。
• 新增權(quán)重和偏差共享任務，用于XSUM總結(jié)任務的協(xié)作。

Distilbart

• Distilbart模型是bart-large-cnn和bart-large-xsum的較小版本，它們可以使用BartForConditionalGeneration.from_pretrained('sshleifer/distilbart-xsum-12-6')來加載
• 重現(xiàn)的命令可以在examples/seq2seq文件夾中找到。

新增BERT Loses Patience

基準

對基準腳本進行了整合，并增加了一些功能。

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

針對PyTorch增加了推理和訓練：

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