/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Опубликована
25 ноя 2022

langdetect

Классификация текстаТекст → label7 профессий

Модель на базе XLM-RoBERTa определяет язык современных и средневековых текстовых фрагментов.

73скачиваний за 30 дней12лайковвеса обновлены27 мар 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ERCDiDip/langdetect — модель обнаружения языка текста, разработанная на основе XLM-RoBERTa base и дообученная на данных Monasterium и Wikipedia. Она предназначена для классификации текстовых последовательностей по языку, включая современные и средневековые языки.

Модель использует архитектуру XLM-RoBERTa с классификационной головой, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Поддерживает 41 язык; в тестировании на сбалансированном наборе указана средняя точность 99,59%. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

Модель подходит для автоматической сортировки и предварительной разметки исторических и современных текстов. Результат зависит от того, представлен ли язык в поддерживаемом наборе; качество для коротких, смешанных или сильно повреждённых фрагментов в карточке отдельно не оценено.

Сценарии применения

  • определение языка входящего текста
  • сортировка многоязычных документов по языку
  • разметка средневековых архивных текстов
  • определение языка исторических источников
  • фильтрация текстовых корпусов по языку

Ограничения

Определяет только языки из поддерживаемого набора. В карточке отдельно не приводятся результаты для коротких, смешанных или повреждённых текстовых фрагментов.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

XLM-RoBERTa (base) language-detection model (modern and medieval)

This model is a fine-tuned version of xlm-roberta-base on the monasterium.net dataset.

Model description

On the top of this XLM-RoBERTa transformer model is a classification head. Please refer this model together with to the XLM-RoBERTa (base-sized model) card or the paper Unsupervised Cross-lingual Representation Learning at Scale by Conneau et al. for additional information.

Intended uses & limitations

You can directly use this model as a language detector, i.e. for sequence classification tasks. Currently, it supports the following 41 languages, modern and medieval:

Modern: Bulgarian (bg), Croatian (hr), Czech (cs), Danish (da), Dutch (nl), English (en), Estonian (et), Finnish (fi), French (fr), German (de), Greek (el), Hungarian (hu), Irish (ga), Italian (it), Latvian (lv), Lithuanian (lt), Maltese (mt), Polish (pl), Portuguese (pt), Romanian (ro), Slovak (sk), Slovenian (sl), Spanish (es), Swedish (sv), Russian (ru), Turkish (tr), Basque (eu), Catalan (ca), Albanian (sq), Serbian (se), Ukrainian (uk), Norwegian (no), Arabic (ar), Chinese (zh), Hebrew (he)

Medieval: Middle High German (mhd), Latin (la), Middle Low German (gml), Old French (fro), Old Church Slavonic (chu), Early New High German (fnhd), Ancient and Medieval Greek (grc)

Training and evaluation data

The model was fine-tuned using the Monasterium and Wikipedia datasets, which consist of text sequences in 41 languages. The training set contains 80k samples, while the validation and test sets contain 16k. The average accuracy on the test set is 99.59% (this matches the average macro/weighted F1-score, the test set being perfectly balanced).

Training procedure

Fine-tuning was done via the Trainer API with WeightedLossTrainer.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 20
  • eval_batch_size: 20
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3

mixed_precision_training: Native AMP

Training results

Training LossValidation LossF1
0.0003000.0489850.991585
0.0001000.0333400.994663
0.0000000.0329380.995979

Using example

#Install packages
!pip install transformers --quiet

#Import libraries
import torch
from transformers import pipeline

#Define pipeline
classificator = pipeline("text-classification", model="ERCDiDip/langdetect")

#Use pipeline
classificator("clemens etc dilecto filio scolastico ecclesie wetflari ensi treveren dioc salutem etc significarunt nobis dilecti filii commendator et fratres hospitalis beate marie theotonicorum")

Updates

  • 25th November 2022: Adding Ancient and Medieval Greek (grc)

Framework versions

  • Transformers 4.24.0
  • Pytorch 1.13.0
  • Datasets 2.6.1
  • Tokenizers 0.13.3

Citation

Please cite the following papers when using this model.

@misc{ercdidip2022,
  title={langdetect (Revision 0215f72)},
  author={Kovács, Tamás, Atzenhofer-Baumgartner, Florian, Aoun, Sandy, Nicolaou, Anguelos, Luger, Daniel, Decker, Franziska, Lamminger, Florian and Vogeler, Georg},
  year         = { 2022 },
  url          = { https://huggingface.co/ERCDiDip/40_langdetect_v01 },
  doi          = { 10.57967/hf/0135 },
  publisher    = { Hugging Face }
}

This model is part of the From Digital to Distant Diplomatics (DiDip) ERC project funded by the European Research Council.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForSequenceClassification
Ревизия весов
951d651

0 моделей