/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Архитектура
camembert · dense

umberto-commoncrawl-cased-v1

Заполнение пропусковТекст → текст3 профессии

Итальянская модель RoBERTa для предсказания пропущенных токенов и использования в задачах обработки итальянского языка.

651 тыс.скачиваний за 30 дней19лайковвеса обновлены12 фев 2021

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

UmBERTo Commoncrawl Cased — итальянская языковая модель на архитектуре RoBERTa, разработанная командой Musixmatch. Модель обучена на итальянской части корпуса OSCAR: дедуплицированном наборе объёмом 70 ГБ, содержащем около 210 млн предложений и 11 млрд слов. Она использует токенизатор SentencePiece с размером словаря 32 тыс. токенов и Whole Word Masking; число параметров — 137,8 млн, контекст — до 514 токенов.

Основная задача модели — предсказание замаскированных токенов в итальянском тексте. Её также можно использовать как основу для извлечения признаков и дообучения под итальянскую разметку, например распознавание именованных сущностей и определение частей речи; README приводит результаты на нескольких итальянских наборах данных. Модель предназначена для NLP-сценариев с итальянским языком.

В метаданных указан формат PyTorch и язык it. Сведения о лицензии в предоставленных материалах отсутствуют. Результаты на downstream-задачах приведены для модели семейства UmBERTo и не гарантируют такое же качество без соответствующего дообучения.

Сценарии применения

  • восстановление замаскированных слов в итальянском тексте
  • подготовка признаков для классификации итальянских текстов
  • дообучение для распознавания именованных сущностей на итальянском
  • дообучение для определения частей речи в итальянском

Ограничения

Модель ориентирована на итальянский язык и имеет контекстное окно до 514 токенов. Результаты для распознавания сущностей и частей речи относятся к downstream-сценариям и могут требовать отдельного дообучения; лицензия в предоставленных материалах не указана.

Для каких профессий подходит3

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

UmBERTo Commoncrawl Cased

UmBERTo is a Roberta-based Language Model trained on large Italian Corpora and uses two innovative approaches: SentencePiece and Whole Word Masking. Now available at github.com/huggingface/transformers

Dataset

UmBERTo-Commoncrawl-Cased utilizes the Italian subcorpus of OSCAR as training set of the language model. We used deduplicated version of the Italian corpus that consists in 70 GB of plain text data, 210M sentences with 11B words where the sentences have been filtered and shuffled at line level in order to be used for NLP research.

Pre-trained model

ModelWWMCasedTokenizerVocab SizeTrain StepsDownload
umberto-commoncrawl-cased-v1YESYESSPM32K125kLink

This model was trained with SentencePiece and Whole Word Masking.

Downstream Tasks

These results refers to umberto-commoncrawl-cased model. All details are at Umberto Official Page.

Named Entity Recognition (NER)

DatasetF1PrecisionRecallAccuracy
ICAB-EvalITA0787.56586.59688.55698.690
WikiNER-ITA92.53192.50992.55399.136

Part of Speech (POS)

DatasetF1PrecisionRecallAccuracy
UD_Italian-ISDT98.87098.86198.87998.977
UD_Italian-ParTUT98.78698.81298.76098.903

Usage

Load UmBERTo with AutoModel, Autotokenizer:

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Musixmatch/umberto-commoncrawl-cased-v1")
umberto = AutoModel.from_pretrained("Musixmatch/umberto-commoncrawl-cased-v1")

encoded_input = tokenizer.encode("Umberto Eco è stato un grande scrittore")
input_ids = torch.tensor(encoded_input).unsqueeze(0)  # Batch size 1
outputs = umberto(input_ids)
last_hidden_states = outputs[0]  # The last hidden-state is the first element of the output
Predict masked token:
from transformers import pipeline

fill_mask = pipeline(
	"fill-mask",
	model="Musixmatch/umberto-commoncrawl-cased-v1",
	tokenizer="Musixmatch/umberto-commoncrawl-cased-v1"
)

result = fill_mask("Umberto Eco è <mask> un grande scrittore")
# {'sequence': '<s> Umberto Eco è considerato un grande scrittore</s>', 'score': 0.18599839508533478, 'token': 5032}
# {'sequence': '<s> Umberto Eco è stato un grande scrittore</s>', 'score': 0.17816807329654694, 'token': 471}
# {'sequence': '<s> Umberto Eco è sicuramente un grande scrittore</s>', 'score': 0.16565583646297455, 'token': 2654}
# {'sequence': '<s> Umberto Eco è indubbiamente un grande scrittore</s>', 'score': 0.0932890921831131, 'token': 17908}
# {'sequence': '<s> Umberto Eco è certamente un grande scrittore</s>', 'score': 0.054701317101716995, 'token': 5269}

Citation

All of the original datasets are publicly available or were released with the owners' grant. The datasets are all released under a CC0 or CCBY license.

  • UD Italian-ISDT Dataset Github
  • UD Italian-ParTUT Dataset Github
  • I-CAB (Italian Content Annotation Bank), EvalITA Page
  • WIKINER Page , Paper
@inproceedings {magnini2006annotazione,
	title = {Annotazione di contenuti concettuali in un corpus italiano: I - CAB},
	author = {Magnini,Bernardo and Cappelli,Amedeo and Pianta,Emanuele and Speranza,Manuela and Bartalesi Lenzi,V and Sprugnoli,Rachele and Romano,Lorenza and Girardi,Christian and Negri,Matteo},
	booktitle = {Proc.of SILFI 2006},
	year = {2006}
}
@inproceedings {magnini2006cab,
	title = {I - CAB: the Italian Content Annotation Bank.},
	author = {Magnini,Bernardo and Pianta,Emanuele and Girardi,Christian and Negri,Matteo and Romano,Lorenza and Speranza,Manuela and Lenzi,Valentina Bartalesi and Sprugnoli,Rachele},
	booktitle = {LREC},
	pages = {963--968},
	year = {2006},
	organization = {Citeseer}
}

Authors

Loreto Parisi: loreto at musixmatch dot com, loretoparisi Simone Francia: simone.francia at musixmatch dot com, simonefrancia Paolo Magnani: paul.magnani95 at gmail dot com, paulthemagno

About Musixmatch AI

Musxmatch Ai mac app icon-128 We do Machine Learning and Artificial Intelligence @musixmatch Follow us on Twitter Github

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
CamembertForMaskedLM
Ревизия весов
fe7b148

0 моделей