/ Модель

Характеристики

Контекст
514 токенов
Параметры
148 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Опубликована
2 мар 2022

afriberta_large

Заполнение пропусковТекст → текст3 профессии

AfriBERTa large — многоязычная модель для африканских языков, которая предсказывает пропущенные токены и служит основой для классификации текста и распознавания именованных сущностей.

3 210скачиваний за 30 дней12лайковвеса обновлены13 янв 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

AfriBERTa large — предварительно обученная многоязычная языковая модель семейства XLM-RoBERTa, разработанная Castorini для африканских языков. В метаданных указано 148,1 млн параметров; README описывает архитектуру из 10 слоёв с 6 головами внимания, размером скрытого представления 768 и промежуточным слоем 3072. Модель принимает текст и предсказывает пропущенные токены; её также можно дообучать для классификации текста и распознавания именованных сущностей. Контекст — до 514 токенов по метаданным.

Модель обучалась на корпусе объёмом менее 1 ГБ, объединяющем материалы BBC и Common Crawl, преимущественно новости. README указывает обучение на 11 африканских языках и конкурентные результаты в классификации и распознавании сущностей, в том числе для некоторых языков, не входивших в предобучение. Ограниченный объём и состав данных могут ухудшать обобщение и способность модели усваивать сложные языковые связи. Лицензия — MIT.

Сценарии применения

  • восстановление пропущенных слов в тексте на африканских языках
  • дообучение классификатора текстов на африканских языках
  • распознавание имен людей, организаций и мест в африканских текстах
  • создание языковых приложений для африканских языков на основе дообучения

Ограничения

Обучающие данные невелики и в основном состоят из новостных материалов BBC и Common Crawl, поэтому модель может плохо обобщать за пределами подобных текстов и недостаточно хорошо улавливать сложные языковые связи.

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

afriberta_large

Model description

AfriBERTa large is a pretrained multilingual language model with around 126 million parameters. The model has 10 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_large")
>>> tokenizer = AutoTokenizer.from_pretrained("castorini/afriberta_large")
# 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
231d924

0 моделей