Tulio Chilean Spanish BERT
Este modelo es una versión fine-tuneada del modelo dccuchile/bert-base-spanish-wwm-cased con el Universal and Chilean Spanish Corpus
Descripción
Tulio ha sido entrenado con textos en español de Chile (noticias, web, reclamos y tweets) y libros en español. Este modelo se caracteriza por presentar resultados sobresalientes respecto a otros modelos en español en tareas que involucren español de Chile.
Hiperparámetros de entrenamiento
Los siguientes hiperparámetros fueron usados durante el entrenamiento:
- learning_rate: 2e-05
- train_batch_size: 64
- eval_batch_size: 64
- seed: 13
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: constant
- num_epochs: 1
Training Loss
| Epoch | Training Loss |
|---|---|
| 0.1 | 1.5646 |
| 0.2 | 1.4615 |
| 0.3 | 1.4251 |
| 0.4 | 1.4013 |
| 0.5 | 1.3836 |
| 0.6 | 1.3704 |
| 0.7 | 1.3598 |
| 0.8 | 1.3506 |
| 0.9 | 1.3429 |
| 1.0 | 1.3995 |
Evaluación y comparativa con otros modelos en español
| Modelo | Text classification task (en español de Chile) | Token classification task (en español de Chile) |
|---|---|---|
| Beto (BERT Spanish) | 0.8392 | 0.7544 |
| Bertin Roberta Base | 0.8325 | - |
| Roberta Large BNE | 0.8499 | 0.7697 |
| Tulio BERT | 0.8503 | 0.7815 |
| Patana BERT | 0.8435 | 0.7777 |
Frameworks de entrenamiento
- Transformers 4.30.2
- Pytorch 2.0.1+cu117
- Datasets 2.13.1
- Tokenizers 0.13.3
Agradecimientos
Agradecemos al Departamento de Ciencias de la Computación de la Universidad de Chile y a ReLeLa por los servidores proporcionados para el entrenamiento del modelo. También agradecemos por su apoyo al Instituto Milenio Fundamentos de los Datos.
Licencia
La licencia CC BY 4.0 es la que mejor describe las intenciones de nuestro trabajo. Sin embargo, no estamos seguros de que todos datos utilizados para entrenar este modelo tengan licencias compatibles con CC BY 4.0 (especialmente para uso comercial).
Limitaciones
El dataset de entrenamiento no recibió ningún tipo de censura. Por lo tanto, el modelo puede contener representaciones ideológicas no deseadas. Utilizar con precaución.
Autor
Modelo entrenado y datasets recopilados por Jorge Ortiz Fuentes
Citación
@misc{tuliobert2023,
author = {Ortiz-Fuentes, Jorge},
title = {Tulio Chilean Spanish Bert},
year = 2023,
url = {https://doi.org/10.57967/hf/1846},
}