Проверка теоретической потерь связана: эксперименты с ванильным трансформатором

Таблица ссылок

Аннотация и 1 введение

2 Связанная работа

3 модели и 3.1 ассоциативные воспоминания

3.2 трансформаторные блоки

4 Новая энергетическая функция

4.1 Слоистая структура

5 Потеря по перекрестной энтропии

6 Эмпирические результаты и 6.1 Эмпирическая оценка радиуса

6.2 Обучение GPT-2

6.3 Тренировка ванильных трансформаторов

7 Заключение и подтверждение

Приложение A. отложенные таблицы

Приложение B. Некоторые свойства энергетических функций

Приложение C. отложенные доказательства из раздела 5

Приложение D. Трансформатор Подробности: Использование GPT-2 в качестве примера

Ссылки

6.3 Тренировка ванильных трансформаторов

Затем мы тренируем модели ванильных трансформаторов, используя небольшое количество высококачественных данных. Набор данных о формировании вопросов, предложенный McCoy et al. (2020), состоит из пар английских предложений в декларативном формировании и их соответствующем формировании вопросов. Набор данных содержит токены D = 2M. Предложения свободны от контекста с размер словарного запаса 68 слов, и задача состоит в том, чтобы преобразовать декларативные предложения в вопросы.