Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

bert-base-turkish-128k-cased

dbmdz

Языковая модель4 профессии

BERTurk — регистрозависимая предобученная модель BERT для понимания турецкого текста и создания систем NLP.

1 945скачиваний за 30 дней23лайкавеса обновлены28 окт 2024

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

BERTurk — регистрозависимая модель BERT для турецкого языка, созданная командой цифровой библиотеки MDZ при Баварской государственной библиотеке совместно с сообществом турецкого NLP. Модель содержит 211,6 млн параметров и использует словарь размером 128 тыс. токенов; длина контекста — 512 токенов. Для предобучения использованы очищенный и сегментированный корпус Turkish OSCAR, Википедия, корпуса OPUS и специальный корпус Кемаля Офлазера; обучение проводилось на TPU v3-8 в течение 2 млн шагов.

Модель предназначена как турецкий языковой энкодер для задач понимания текста и построения прикладных NLP-систем, включая разметку частей речи и распознавание именованных сущностей. Карточка приводит веса PyTorch, а метаданные также указывают форматы TensorFlow и Flax. Лицензия — MIT. Это базовая предобученная модель, поэтому для конкретных задач разметки может потребоваться дообучение.

Сценарии применения

разметка частей речи в турецких текстах
распознавание именованных сущностей на турецком языке
дообучение энкодера для классификации турецких текстов
извлечение контекстных представлений из турецких предложений

Ограничения

Ограничение контекста составляет 512 токенов. Модель является базовым энкодером и для целевых задач, таких как NER или классификация, может потребовать дообучения.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🤗 + 📚 dbmdz Turkish BERT model

In this repository the MDZ Digital Library team (dbmdz) at the Bavarian State Library open sources a cased model for Turkish 🎉

🇹🇷 BERTurk

BERTurk is a community-driven cased BERT model for Turkish.

Some datasets used for pretraining and evaluation are contributed from the awesome Turkish NLP community, as well as the decision for the model name: BERTurk.

Stats

The current version of the model is trained on a filtered and sentence segmented version of the Turkish OSCAR corpus, a recent Wikipedia dump, various OPUS corpora and a special corpus provided by Kemal Oflazer.

The final training corpus has a size of 35GB and 44,04,976,662 tokens.

Thanks to Google's TensorFlow Research Cloud (TFRC) we could train a cased model on a TPU v3-8 for 2M steps.

For this model we use a vocab size of 128k.

Model weights

Currently only PyTorch-Transformers compatible weights are available. If you need access to TensorFlow checkpoints, please raise an issue!

Model	Downloads
`dbmdz/bert-base-turkish-128k-cased`	`config.json` • `pytorch_model.bin` • `vocab.txt`

Usage

With Transformers >= 2.3 our BERTurk cased model can be loaded like:

from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("dbmdz/bert-base-turkish-128k-cased")
model = AutoModel.from_pretrained("dbmdz/bert-base-turkish-128k-cased")

Results

For results on PoS tagging or NER tasks, please refer to this repository.

Huggingface model hub

All models are available on the Huggingface model hub.

Contact (Bugs, Feedback, Contribution and more)

For questions about our BERT models just open an issue here 🤗

Acknowledgments

Thanks to Kemal Oflazer for providing us additional large corpora for Turkish. Many thanks to Reyyan Yeniterzi for providing us the Turkish NER dataset for evaluation.

Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC). Thanks for providing access to the TFRC ❤️

Thanks to the generous support from the Hugging Face team, it is possible to download both cased and uncased models from their S3 storage 🤗

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов: fea3225