/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
electra · dense
Опубликована
2 мар 2022

electra-base-italian-xxl-cased-discriminator

Языковая модель3 профессии

Итальянский дискриминатор ELECTRA для предобучения и адаптации к задачам анализа итальянского текста.

1 295скачиваний за 30 дней2лайкавеса обновлены2 ноя 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

dbmdz/electra-base-italian-xxl-cased-discriminator — итальянская предобученная модель ELECTRA, выпущенная командой MDZ Digital Library Баварской государственной библиотеки. Дискриминатор ELECTRA обучался на корпусе XXL объёмом 81 ГБ, включающем итальянскую Википедию, тексты OPUS и итальянскую часть OSCAR; обучение продолжалось 1 млн шагов. Модель содержит 137,1 млн параметров и рассчитана на последовательности до 512 токенов.

Модель предназначена как базовый энкодер для последующей адаптации к задачам обработки итальянского текста, например распознаванию именованных сущностей и разметке частей речи. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — MIT.

В README отмечено, что при обучении XXL-моделей использовали неверный размер словаря в конфигурации: фактический словарь содержит 31 102 токена, что не совпадает со значением в config.json. Авторы сообщают, что модель работает и оценки проводились с этой конфигурацией.

Сценарии применения

  • дообучение для распознавания именованных сущностей на итальянском
  • дообучение для разметки частей речи в итальянских текстах
  • создание энкодера для классификации итальянских текстов
  • извлечение признаков из итальянских текстов

Ограничения

В конфигурации задан неверный размер словаря: фактический размер — 31 102 токена; README указывает, что модель при этом работает. Это предобученный дискриминатор, поэтому для прикладных downstream-задач обычно требуется подходящая голова и дообучение.

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

🤗 + 📚 dbmdz BERT and ELECTRA models

In this repository the MDZ Digital Library team (dbmdz) at the Bavarian State Library open sources Italian BERT and ELECTRA models 🎉

Italian BERT

The source data for the Italian BERT model consists of a recent Wikipedia dump and various texts from the OPUS corpora collection. The final training corpus has a size of 13GB and 2,050,057,573 tokens.

For sentence splitting, we use NLTK (faster compared to spacy). Our cased and uncased models are training with an initial sequence length of 512 subwords for ~2-3M steps.

For the XXL Italian models, we use the same training data from OPUS and extend it with data from the Italian part of the OSCAR corpus. Thus, the final training corpus has a size of 81GB and 13,138,379,147 tokens.

Note: Unfortunately, a wrong vocab size was used when training the XXL models. This explains the mismatch of the "real" vocab size of 31102, compared to the vocab size specified in config.json. However, the model is working and all evaluations were done under those circumstances. See this issue for more information.

The Italian ELECTRA model was trained on the "XXL" corpus for 1M steps in total using a batch size of 128. We pretty much following the ELECTRA training procedure as used for BERTurk.

Model weights

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

ModelDownloads
dbmdz/bert-base-italian-casedconfig.json • pytorch_model.bin • vocab.txt
dbmdz/bert-base-italian-uncasedconfig.json • pytorch_model.bin • vocab.txt
dbmdz/bert-base-italian-xxl-casedconfig.json • pytorch_model.bin • vocab.txt
dbmdz/bert-base-italian-xxl-uncasedconfig.json • pytorch_model.bin • vocab.txt
dbmdz/electra-base-italian-xxl-cased-discriminatorconfig.json • pytorch_model.bin • vocab.txt
dbmdz/electra-base-italian-xxl-cased-generatorconfig.json • pytorch_model.bin • vocab.txt

Results

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

Usage

With Transformers >= 2.3 our Italian BERT models can be loaded like:

from transformers import AutoModel, AutoTokenizer

model_name = "dbmdz/bert-base-italian-cased"

tokenizer = AutoTokenizer.from_pretrained(model_name)

model = AutoModel.from_pretrained(model_name)

To load the (recommended) Italian XXL BERT models, just use:

from transformers import AutoModel, AutoTokenizer

model_name = "dbmdz/bert-base-italian-xxl-cased"

tokenizer = AutoTokenizer.from_pretrained(model_name)

model = AutoModel.from_pretrained(model_name)

To load the Italian XXL ELECTRA model (discriminator), just use:

from transformers import AutoModel, AutoTokenizer

model_name = "dbmdz/electra-base-italian-xxl-cased-discriminator"

tokenizer = AutoTokenizer.from_pretrained(model_name)

model = AutoModelWithLMHead.from_pretrained(model_name)

Huggingface model hub

All models are available on the Huggingface model hub.

Contact (Bugs, Feedback, Contribution and more)

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

Acknowledgments

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.

Класс архитектуры
ElectraForPreTraining
Ревизия весов
c6d3891

0 моделей