/ Модель

Характеристики

Контекст
514 токенов
Параметры
91,5 млн
Архитектура
xlm-roberta · dense
Опубликована
2 мар 2022

afriberta_small

Заполнение пропусковТекст → текст3 профессии

Компактная предварительно обученная XLM-RoBERTa-модель для заполнения маски и адаптации к NLP-задачам на африканских языках.

270скачиваний за 30 дней8лайковвеса 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 small — предварительно обученная многоязычная модель языка от исследовательской группы CASTOR в Университете Ватерлоо, предназначенная для работы с африканскими языками. В репозитории опубликована версия с архитектурой XLM-RoBERTa и примерно 91,5 млн параметров; README описывает 4 слоя, 6 голов внимания, размер скрытого представления 768 и внутренний слой 3072. Модель поддерживает заполнение маскированных токенов и может служить основой для дообучения под классификацию текста и распознавание именованных сущностей.

Модель предварительно обучена на 11 африканских языках, включая оромо, амхарский, киньяруанда, кирунди, хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для предварительной подготовки использовались материалы BBC и Common Crawl. Контекст составляет до 514 токенов по метаданным репозитория; в примере README для токенизатора задаётся предел 512 токенов. Доступны веса PyTorch и TensorFlow.

Модель может быть полезна как отправная точка для NLP-задач на африканских языках, в том числе для языков, не входивших в обучение. Небольшой объём обучающих данных и их преимущественно новостной характер могут ограничивать обобщение и понимание сложных языковых связей. Лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание пропущенных слов в текстах на африканских языках
  • дообучение классификатора текстов на суахили, хауса или йоруба
  • дообучение распознавателя именованных сущностей для африканских языков
  • создание базовой модели для NLP на оромо, амхарском и сомали

Ограничения

Обучающие данные менее 1 ГБ и в основном основаны на новостях определённого периода, поэтому модель может плохо обобщать на другие жанры и сложные языковые явления.

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

Hugging Face's logo

language:

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

afriberta_small

Model description

AfriBERTa small is a pretrained multilingual language model with around 97 million parameters. The model has 4 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_small")
>>> tokenizer = AutoTokenizer.from_pretrained("castorini/afriberta_small")
# we have to manually set the model max length because it is an imported trained 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
5166738

0 моделей