/ Модель

Характеристики

Контекст
514 токенов
Параметры
153 млн
Лицензия
MIT
Архитектура
roberta · dense

roberta-base-indonesian-522M

Заполнение пропусковТекст → текст3 профессии

RoBERTa-base, предварительно обученная на индонезийской Википедии, предсказывает пропущенные слова и может использоваться как основа для языковых задач на индонезийском языке.

1 075скачиваний за 30 дней6лайковвеса обновлены20 мая 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

RoBERTa-base от cahya — модель на основе архитектуры RoBERTa, предварительно обученная на индонезийской Википедии с задачей маскированного языкового моделирования. Она предназначена прежде всего для предсказания пропущенных слов в индонезийском тексте и может служить основой для дообучения на задачах обработки языка.

Модель нечувствительна к регистру: например, «indonesia» и «Indonesia» обрабатываются одинаково. Тексты при обучении приводились к нижнему регистру и токенизировались WordPiece с размером словаря 32 000. Контекст — до 514 токенов; число параметров — 153,2 млн. Доступны версии весов Flax, PyTorch и TensorFlow.

Модель принимает текст и выдаёт распределение вероятностей для заполнения маскированных позиций. В README также упоминаются извлечение признаков и возможное применение в последующих задачах, включая классификацию и генерацию текста, однако для них потребуется соответствующая настройка. Лицензия — MIT.

Сценарии применения

  • подстановка пропущенного слова в индонезийском тексте
  • оценка вероятных продолжений маскированного предложения
  • извлечение признаков из индонезийского текста для последующего обучения
  • подготовка основы для классификатора индонезийских текстов

Ограничения

Модель обучена на индонезийской Википедии и нечувствительна к регистру; её пригодность для других языков и предметных областей не заявлена. Для классификации и других downstream-задач требуется дополнительная настройка.

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 RoBERTa base model (uncased)

Model description

It is RoBERTa-base model pre-trained with indonesian Wikipedia using a masked language modeling (MLM) objective. This model is uncased: it does not make a difference between indonesia and Indonesia.

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/roberta-base-indonesian-522M')
>>> unmasker("Ibu ku sedang bekerja <mask> supermarket")

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

from transformers import RobertaTokenizer, RobertaModel

model_name='cahya/roberta-base-indonesian-522M'
tokenizer = RobertaTokenizer.from_pretrained(model_name)
model = RobertaModel.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 RobertaTokenizer, TFRobertaModel

model_name='cahya/roberta-base-indonesian-522M'
tokenizer = RobertaTokenizer.from_pretrained(model_name)
model = TFRobertaModel.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 pre-trained with 522MB of indonesian Wikipedia. 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:

<s> Sentence A </s> Sentence B </s>

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
RobertaForMaskedLM
Ревизия весов
88447f4

0 моделей