/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense

distilbert-base-indonesian

Заполнение пропусковТекст → текст3 профессии

Дистиллированная безрегистровая DistilBERT-модель для индонезийского языка, которая восстанавливает скрытые слова и извлекает признаки текста.

1 639скачиваний за 30 дней18лайковвеса обновлены8 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

cahya/distilbert-base-indonesian — безрегистровая дистиллированная модель DistilBERT для индонезийского языка, опубликованная Cahya. Она предварительно обучена на 522 МБ индонезийской Википедии и 1 ГБ индонезийских газет; текст приводится к нижнему регистру и токенизируется WordPiece со словарём размером 32 000 токенов. Модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для восстановления скрытых слов в тексте (fill-mask). Её также можно использовать для извлечения признаков и как основу для задач классификации и генерации текста с дополнительной настройкой.

Архитектура — DistilBertForMaskedLM, формат весов — PyTorch. Лицензия MIT разрешает использование на её условиях. Карточка описывает предварительное обучение на индонезийских текстах; результаты на других языках и качество для конкретных прикладных задач не заявлены.

Сценарии применения

  • восстановление пропущенных слов в индонезийском тексте
  • получение контекстных признаков индонезийских предложений
  • подготовка текстовых представлений для классификации на индонезийском
  • адаптация языковой модели к прикладным задачам обработки индонезийского текста

Ограничения

Предварительное обучение выполнено на индонезийской Википедии и газетах, а текст обрабатывается без учёта регистра. Карточка не приводит метрик качества для downstream-задач.

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

Indonesian DistilBERT base model (uncased)

Model description

This model is a distilled version of the Indonesian BERT base model. This model is uncased.

This is one of several other language models that have been pre-trained with indonesian datasets. More detail about its usage on downstream tasks (text classification, text generation, etc) is available at Transformer based Indonesian Language Models

Intended uses & limitations

How to use

You can use this model directly with a pipeline for masked language modeling:

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='cahya/distilbert-base-indonesian')
>>> unmasker("Ayahku sedang bekerja di sawah untuk [MASK] padi")

[
  {
    "sequence": "[CLS] ayahku sedang bekerja di sawah untuk menanam padi [SEP]",
    "score": 0.6853187084197998,
    "token": 12712,
    "token_str": "menanam"
  },
  {
    "sequence": "[CLS] ayahku sedang bekerja di sawah untuk bertani padi [SEP]",
    "score": 0.03739545866847038,
    "token": 15484,
    "token_str": "bertani"
  },
  {
    "sequence": "[CLS] ayahku sedang bekerja di sawah untuk memetik padi [SEP]",
    "score": 0.02742469497025013,
    "token": 30338,
    "token_str": "memetik"
  },
  {
    "sequence": "[CLS] ayahku sedang bekerja di sawah untuk penggilingan padi [SEP]",
    "score": 0.02214187942445278,
    "token": 28252,
    "token_str": "penggilingan"
  },
  {
    "sequence": "[CLS] ayahku sedang bekerja di sawah untuk tanam padi [SEP]",
    "score": 0.0185895636677742,
    "token": 11308,
    "token_str": "tanam"
  }
]

Here is how to use this model to get the features of a given text in PyTorch:

from transformers import DistilBertTokenizer, DistilBertModel

model_name='cahya/distilbert-base-indonesian'
tokenizer = DistilBertTokenizer.from_pretrained(model_name)
model = DistilBertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

and in Tensorflow:

from transformers import DistilBertTokenizer, TFDistilBertModel

model_name='cahya/distilbert-base-indonesian'
tokenizer = DistilBertTokenizer.from_pretrained(model_name)
model = TFDistilBertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

Training data

This model was distiled with 522MB of indonesian Wikipedia and 1GB of indonesian newspapers. The texts are lowercased and tokenized using WordPiece and a vocabulary size of 32,000. The inputs of the model are then of the form:

[CLS] Sentence A [SEP] Sentence B [SEP]

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
DistilBertForMaskedLM
Ревизия весов
9e94865

0 моделей