/ Модель

Характеристики

Контекст
514 токенов
Параметры
129 млн
Архитектура
xlm-roberta · dense
Опубликована
2 мар 2022

afriberta_base

Заполнение пропусковТекст → текст4 профессии

AfriBERTa base — многоязычная модель XLM-RoBERTa для заполнения масок и настройки NLP-задач на африканских языках.

2 158скачиваний за 30 дней4лайкавеса обновлены15 июн 2022

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

AfriBERTa base — предварительно обученная многоязычная языковая модель семейства XLM-RoBERTa, разработанная исследователями из группы CLaC при Университете Ватерлоо. Она предназначена для дальнейшей настройки и применения к текстам на африканских языках, в том числе для заполнения масок и задач классификации текста и распознавания именованных сущностей. Архитектура — плотный трансформер XLM-RoBERTa с 8 слоями, 6 головами внимания и размером скрытого слоя 768; в метаданных указано 129,3 млн параметров и контекст до 514 токенов.

Модель обучалась на корпусах BBC и Common Crawl для африкаанс? Основные языки обучения — Afaan Oromoo, амхарский, Gahuza (киняруанда и кирунди), хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для задач классификации и распознавания сущностей показала конкурентные результаты на ряде африканских языков, включая некоторые языки, на которых не обучалась. Используйте её как основу для настройки под конкретную задачу или для предсказания замаскированных токенов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание пропущенного слова в тексте на африканском языке
  • классификация новостных текстов на суахили или хауса
  • распознавание именованных сущностей в африканских текстах
  • дообучение языковой модели для задач NLP на африканских языках

Ограничения

Обучающая выборка небольшая и в основном состоит из новостных материалов BBC и Common Crawl определённого периода, поэтому модель может плохо обобщать и не усваивать сложные языковые зависимости.

Для каких профессий подходит4

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

Hugging Face's logo

language:

  • om
  • am
  • rw
  • rn
  • ha
  • ig
  • pcm
  • so
  • sw
  • ti
  • yo
  • multilingual

afriberta_base

Model description

AfriBERTa base is a pretrained multilingual language model with around 111 million parameters. The model has 8 layers, 6 attention heads, 768 hidden units and 3072 feed forward size. The model was pretrained on 11 African languages namely - Afaan Oromoo (also called Oromo), Amharic, Gahuza (a mixed language containing Kinyarwanda and Kirundi), Hausa, Igbo, Nigerian Pidgin, Somali, Swahili, Tigrinya and Yorùbá. The model has been shown to obtain competitive downstream performances on text classification and Named Entity Recognition on several African languages, including those it was not pretrained on.

Intended uses & limitations

How to use

You can use this model with Transformers for any downstream task. For example, assuming we want to finetune this model on a token classification task, we do the following:

>>> from transformers import AutoTokenizer, AutoModelForTokenClassification
>>> model = AutoModelForTokenClassification.from_pretrained("castorini/afriberta_base")
>>> tokenizer = AutoTokenizer.from_pretrained("castorini/afriberta_base")
# we have to manually set the model max length because it is an imported sentencepiece model, which huggingface does not properly support right now
>>> tokenizer.model_max_length = 512 

Limitations and bias

  • This model is possibly limited by its training dataset which are majorly obtained from news articles from a specific span of time. Thus, it may not generalize well.
  • This model is trained on very little data (less than 1 GB), hence it may not have seen enough data to learn very complex linguistic relations.

Training data

The model was trained on an aggregation of datasets from the BBC news website and Common Crawl.

Training procedure

For information on training procedures, please refer to the AfriBERTa paper or repository

BibTeX entry and citation info

@inproceedings{ogueji-etal-2021-small,
    title = "Small Data? No Problem! Exploring the Viability of Pretrained Multilingual Language Models for Low-resourced Languages",
    author = "Ogueji, Kelechi  and
      Zhu, Yuxin  and
      Lin, Jimmy",
    booktitle = "Proceedings of the 1st Workshop on Multilingual Representation Learning",
    month = nov,
    year = "2021",
    address = "Punta Cana, Dominican Republic",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2021.mrl-1.11",
    pages = "116--126",
}

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
XLMRobertaForMaskedLM
Ревизия весов
95b703f

0 моделей