/ Модель

Характеристики

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

araelectra-base-generator

Заполнение пропусковТекст → текст3 профессии

Генераторная модель ELECTRA для заполнения пропусков и предварительного обучения представлений арабского языка.

102скачиваний за 30 дней2лайкавеса обновлены22 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

AraELECTRA-base-generator — генераторная модель семейства ELECTRA от команды AraBERT, предназначенная для предварительного обучения и задач понимания арабского языка. В Transformers её можно использовать для заполнения пропусков в тексте. Модель основана на архитектуре ELECTRA, содержит около 29 млн параметров и принимает последовательности длиной до 512 токенов.

Модель обучена на крупном наборе арабских текстов, включающем отфильтрованный OSCAR, Википедию, новостные и другие корпуса. Авторы сообщают о высоких результатах AraELECTRA на наборе данных для ответов на вопросы на арабском языке. Репозиторий содержит веса PyTorch, Safetensors и TensorFlow. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • заполнение пропущенных токенов в арабском тексте
  • создание генераторной части для обучения ELECTRA
  • предварительная обработка арабских текстовых корпусов
  • эксперименты с пониманием арабского языка

Ограничения

Контекст ограничен 512 токенами; для предобработки авторы рекомендуют функции AraBERT, включая сегментацию или очистку текста. Заявление о высоких результатах на арабском QA не означает, что эта генераторная модель сама является готовой системой ответов на вопросы.

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 generator in transformers

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="aubmindlab/araelectra-base-generator",
    tokenizer="aubmindlab/araelectra-base-generator"
)

print(
    fill_mask(" عاصمة لبنان هي [MASK] .)
)

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="aubmindlab/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

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 AraELECTRA.

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:

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 · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ElectraForMaskedLM
Ревизия весов
eb1c040

0 моделей