Характеристики

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

Ссылки

Hugging Face

bert-base-turkish-128k-uncased

dbmdz

Языковая модель4 профессии

Некейсированный турецкий BERTurk — базовая языковая модель для анализа турецкого текста и дообучения под задачи NLP.

29 943скачиваний за 30 дней32лайкавеса 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 — некейсированная модель семейства BERT для турецкого языка, опубликованная командой цифровой библиотеки MDZ при Баварской государственной библиотеке. Это плотная модель с 211,6 млн параметров и словарём из 128 тысяч токенов; длина контекста составляет 512 токенов. Модель предварительно обучена на корпусе объёмом 35 ГБ, включающем отфильтрованный и сегментированный по предложениям турецкий OSCAR, Википедию, корпуса OPUS и специальный корпус Кемаля Офлазера.

Модель предназначена как базовый энкодер для задач обработки турецкого текста и может служить основой для дообучения под разметку частей речи, распознавание именованных сущностей и другие задачи NLP. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow и Flax. Лицензия — MIT. В карточке приведены результаты для PoS tagging и NER, однако сама модель является предобученной базовой моделью, а не готовым специализированным классификатором.

Сценарии применения

дообучение для распознавания именованных сущностей в турецком тексте
разметка частей речи в турецких предложениях
создание классификатора турецких текстов
извлечение контекстных представлений турецких слов и предложений

Ограничения

Контекст ограничен 512 токенами. Для задач вроде NER и разметки частей речи модель нужно дообучать; карточка не приводит численных оценок качества.

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 an uncased model for Turkish 🎉

🇹🇷 BERTurk

BERTurk is a community-driven uncased 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 an uncased 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-uncased`	`config.json` • `pytorch_model.bin` • `vocab.txt`

Usage

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

from transformers import AutoModel, AutoTokenizer

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

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: 3fcfd3f