/ Модель

Характеристики

Контекст
512 токенов
Параметры
162 млн
Архитектура
electra · dense
Опубликована
2 мар 2022

araelectra-base-discriminator

Языковая модель3 профессии

Арабоязычный дискриминатор ELECTRA для предварительного обучения и последующего решения задач понимания текста, включая ответы на вопросы.

2 436скачиваний за 30 дней5лайковвеса обновлены29 окт 2024

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

AraELECTRA-base-discriminator — арабоязычная модель семейства ELECTRA, разработанная AUB Mind Lab для понимания арабского текста. Это дискриминатор, предварительно обученный отличать исходные токены от заменённых генератором; его можно дообучать для задач понимания языка. В карточке заявлены результаты уровня state of the art на наборе данных для арабских вопросов и ответов.

Модель содержит 162,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Для предобработки текста авторы рекомендуют ArabertPreprocessor из пакета arabert. Модель рассчитана на арабский язык.

Это базовый дискриминатор для языкового понимания, а не универсальная генеративная чат-модель. Для практических задач, таких как классификация или ответы на вопросы, может потребоваться дообучение и соответствующая модельная голова. Лицензия в предоставленных данных не указана.

Сценарии применения

  • дообучение модели для ответов на вопросы по-арабски
  • классификация арабских текстов
  • извлечение признаков из арабского текста
  • создание дискриминатора токенов для исследований арабского NLP

Ограничения

Это дискриминатор для понимания текста, а не готовая генеративная модель; для прикладных задач может потребоваться дообучение. Авторы рекомендуют предобработку через ArabertPreprocessor.

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

AraELECTRA

ELECTRA is a method for self-supervised language representation learning. It can be used to pre-train transformer networks using relatively little compute. ELECTRA models are trained to distinguish "real" input tokens vs "fake" input tokens generated by another neural network, similar to the discriminator of a GAN. AraELECTRA achieves state-of-the-art results on Arabic QA dataset.

For a detailed description, please refer to the AraELECTRA paper AraELECTRA: Pre-Training Text Discriminators for Arabic Language Understanding.

How to use the discriminator in transformers

from transformers import ElectraForPreTraining, ElectraTokenizerFast
import torch

discriminator = ElectraForPreTraining.from_pretrained("aubmindlab/araelectra-base-discriminator")
tokenizer = ElectraTokenizerFast.from_pretrained("aubmindlab/araelectra-base-discriminator")

sentence = ""
fake_sentence = ""

fake_tokens = tokenizer.tokenize(fake_sentence)
fake_inputs = tokenizer.encode(fake_sentence, return_tensors="pt")
discriminator_outputs = discriminator(fake_inputs)
predictions = torch.round((torch.sign(discriminator_outputs[0]) + 1) / 2)

[print("%7s" % token, end="") for token in fake_tokens]

[print("%7s" % int(prediction), end="") for prediction in predictions.tolist()]

Model

ModelHuggingFace Model NameSize (MB/Params)
AraELECTRA-base-generatoraraelectra-base-generator227MB/60M
AraELECTRA-base-discriminatoraraelectra-base-discriminator516MB/135M

Compute

ModelHardwarenum of examples (seq len = 512)Batch SizeNum of StepsTime (in days)
AraELECTRA-baseTPUv3-8-2562M24

Dataset

The pretraining data used for the new AraELECTRA model is also used for AraGPT2 and AraBERTv2.

The dataset consists of 77GB or 200,095,961 lines or 8,655,948,860 words or 82,232,988,358 chars (before applying Farasa Segmentation)

For the new dataset we added the unshuffled OSCAR corpus, after we thoroughly filter it, to the previous dataset used in AraBERTv1 but with out the websites that we previously crawled:

Preprocessing

It is recommended to apply our preprocessing function before training/testing on any dataset.

Install the arabert python package to segment text for AraBERT v1 & v2 or to clean your data pip install arabert

from arabert.preprocess import ArabertPreprocessor

model_name="araelectra-base"
arabert_prep = ArabertPreprocessor(model_name=model_name)

text = "ولن نبالغ إذا قلنا إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري"
arabert_prep.preprocess(text)

>>> output: ولن نبالغ إذا قلنا : إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري

TensorFlow 1.x models

You can find the PyTorch, TF2 and TF1 models in HuggingFace's Transformer Library under the aubmindlab username

  • wget https://huggingface.co/aubmindlab/MODEL_NAME/resolve/main/tf1_model.tar.gz where MODEL_NAME is any model under the aubmindlab name

If you used this model please cite us as :

@inproceedings{antoun-etal-2021-araelectra,
    title = "{A}ra{ELECTRA}: Pre-Training Text Discriminators for {A}rabic Language Understanding",
    author = "Antoun, Wissam  and
      Baly, Fady  and
      Hajj, Hazem",
    booktitle = "Proceedings of the Sixth Arabic Natural Language Processing Workshop",
    month = apr,
    year = "2021",
    address = "Kyiv, Ukraine (Virtual)",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.wanlp-1.20",
    pages = "191--195",
}

Acknowledgments

Thanks to TensorFlow Research Cloud (TFRC) for the free access to Cloud TPUs, couldn't have done it without this program, and to the AUB MIND Lab Members for the continous support. Also thanks to Yakshof and Assafir for data and storage access. Another thanks for Habib Rahal (https://www.behance.net/rahalhabib), for putting a face to AraBERT.

Contacts

Wissam Antoun: Linkedin | Twitter | Github | wfa07@mail.aub.edu | wissam.antoun@gmail.com

Fady Baly: Linkedin | Twitter | Github | fgb06@mail.aub.edu | baly.fady@gmail.com

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ElectraForPreTraining
Ревизия весов
aaa9fba

0 моделей