/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-base-dutch-cased

Заполнение пропусковТекст → текст4 профессии

Предварительно обученная нидерландская модель BERT для заполнения пропусков и использования в качестве основы для языковых задач после дообучения.

5 765скачиваний за 30 дней35лайковвеса обновлены11 сен 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

BERTje — предварительно обученная модель BERT для нидерландского языка, разработанная исследователями Университета Гронингена. Это плотная трансформерная модель архитектуры BERT с 136,3 млн параметров, 12 слоями, регистрозависимой токенизацией и контекстом до 512 токенов. В метаданных для неё указана задача заполнения пропусков в тексте.

Модель предназначена для предсказания замаскированных слов и может служить основой для дообучения под задачи обработки нидерландского языка. В опубликованных сравнениях BERTje показала результаты для распознавания именованных сущностей и частеречной разметки; для этих задач потребуется соответствующая дообученная версия. Доступны реализации весов для PyTorch, TensorFlow и JAX. Лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание пропущенного слова в нидерландском тексте
  • дообучение модели для распознавания именованных сущностей на нидерландском
  • дообучение модели для частеречной разметки нидерландского текста

Ограничения

Для распознавания именованных сущностей и частеречной разметки нужны отдельные дообученные версии. Предоставленные материалы не сообщают лицензию.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BERTje: A Dutch BERT model

Wietse de Vries • Andreas van Cranenburgh • Arianna Bisazza • Tommaso Caselli • Gertjan van Noord • Malvina Nissim

Model description

BERTje is a Dutch pre-trained BERT model developed at the University of Groningen.

For details, check out our paper on arXiv, the code on Github and related work on Semantic Scholar.

The paper and Github page mention fine-tuned models that are available here.

How to use

from transformers import AutoTokenizer, AutoModel, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("GroNLP/bert-base-dutch-cased")
model = AutoModel.from_pretrained("GroNLP/bert-base-dutch-cased")  # PyTorch
model = TFAutoModel.from_pretrained("GroNLP/bert-base-dutch-cased")  # Tensorflow

WARNING: The vocabulary size of BERTje has changed in 2021. If you use an older fine-tuned model and experience problems with the GroNLP/bert-base-dutch-cased tokenizer, use use the following tokenizer:

tokenizer = AutoTokenizer.from_pretrained("GroNLP/bert-base-dutch-cased", revision="v1")  # v1 is the old vocabulary

Benchmarks

The arXiv paper lists benchmarks. Here are a couple of comparisons between BERTje, multilingual BERT, BERT-NL and RobBERT that were done after writing the paper. Unlike some other comparisons, the fine-tuning procedures for these benchmarks are identical for each pre-trained model. You may be able to achieve higher scores for individual models by optimizing fine-tuning procedures.

More experimental results will be added to this page when they are finished. Technical details about how a fine-tuned these models will be published later as well as downloadable fine-tuned checkpoints.

All of the tested models are base sized (12) layers with cased tokenization.

Headers in the tables below link to original data sources. Scores link to the model pages that corresponds to that specific fine-tuned model. These tables will be updated when more simple fine-tuned models are made available.

Named Entity Recognition

ModelCoNLL-2002SoNaR-1spaCy UD LassySmall
BERTje90.2484.9386.10
mBERT88.6184.1986.77
BERT-NL85.0580.4581.62
RobBERT84.7281.9879.84

Part-of-speech tagging

ModelUDv2.5 LassySmall
BERTje96.48
mBERT96.20
BERT-NL96.10
RobBERT95.91

BibTeX entry and citation info

@misc{devries2019bertje,
\ttitle = {{BERTje}: {A} {Dutch} {BERT} {Model}},
\tshorttitle = {{BERTje}},
\tauthor = {de Vries, Wietse  and  van Cranenburgh, Andreas  and  Bisazza, Arianna  and  Caselli, Tommaso  and  Noord, Gertjan van  and  Nissim, Malvina},
\tyear = {2019},
\tmonth = dec,
\thowpublished = {arXiv:1912.09582},
\turl = {http://arxiv.org/abs/1912.09582},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
aeb2fed

0 моделей