Характеристики

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

Ссылки

Hugging Face arXiv 2105.02855

bert-base-dutch-cased-upos-alpino

GroNLP

Разметка токеновТекст → label3 профессии

BERTje, дообученная для определения универсальных частей речи токенов в нидерландском тексте.

125скачиваний за 30 дней1лайквеса 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

GroNLP/bert-base-dutch-cased-upos-alpino — модель BERT для разметки частей речи на уровне токенов нидерландского текста. Она создана в рамках работы «Adapting Monolingual Models: Data can be Scarce when Language Similarity is High»; модель использует дообученные Transformer-слои и классификационную голову BERTje, а её лексические слои переобучены. Число параметров — 136,3 млн, максимальная длина контекста — 512 токенов.

Модель предназначена для автоматического присвоения токенам универсальных частей речи (UPOS) с использованием разметки Alpino. Её можно применять в NLP-конвейерах для анализа нидерландских текстов и подготовки корпусной разметки. В карточке перечислены форматы PyTorch, TensorFlow, Flax и safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Сценарии применения

определение частей речи в нидерландских предложениях
разметка токенов корпуса тегами UPOS
подготовка нидерландских текстов для синтаксического анализа

Ограничения

Модель рассчитана на нидерландский язык и контекст до 512 токенов. Лицензия и показатели качества в предоставленных источниках не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wietse de Vries • Martijn Bartelds • Malvina Nissim • Martijn Wieling

Adapting Monolingual Models: Data can be Scarce when Language Similarity is High

This model is part of this paper + code:

📝 Paper
💻 Code

Models

The best fine-tuned models for Gronings and West Frisian are available on the HuggingFace model hub:

Lexical layers

These models are identical to BERTje, but with different lexical layers (bert.embeddings.word_embeddings).

🤗 GroNLP/bert-base-dutch-cased (Dutch; source language)
🤗 GroNLP/bert-base-dutch-cased-gronings (Gronings)
🤗 GroNLP/bert-base-dutch-cased-frisian (West Frisian)

POS tagging

These models share the same fine-tuned Transformer layers + classification head, but with the retrained lexical layers from the models above.

🤗 GroNLP/bert-base-dutch-cased-upos-alpino (Dutch)
🤗 GroNLP/bert-base-dutch-cased-upos-alpino-gronings (Gronings)
🤗 GroNLP/bert-base-dutch-cased-upos-alpino-frisian (West Frisian)

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: e33c70a