/ Модель

Характеристики

Контекст
514 токенов
Параметры
131 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense

guwenbert-base

Заполнение пропусковТекст → текст3 профессии

Модель RoBERTa, предварительно обученная на классическом китайском языке для заполнения масок и дообучения на задачах анализа древних текстов.

4 287скачиваний за 30 дней25лайковвеса обновлены2 июн 2021

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

ethanyt/guwenbert-base — модель RoBERTa, разработанная Tan Yan и Zewen Chi из Datahammer при Пекинском технологическом институте и предварительно обученная на классическом китайском языке. Её можно дообучать для задач обработки древних текстов, включая разделение предложений, расстановку пунктуации и распознавание именованных сущностей.

Модель содержит 131,1 млн параметров и принимает последовательности длиной до 514 токенов. Для обучения использован корпус daizhige: 15 694 книги классического китайского языка, около 1,7 млрд знаков; традиционные иероглифы приведены к упрощённым, словарь включает 23 292 токена. В оценке распознавания сущностей в древних книгах модель заняла второе место на конкурсе «Gulian Cup».

Для заполнения масок используется задача fill-mask; для других сценариев из README требуется дообучение. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление пропущенных иероглифов в классическом китайском тексте
  • дообучение для расстановки пунктуации в древних текстах
  • дообучение для разделения классического китайского текста на предложения
  • распознавание именованных сущностей в древних китайских книгах после дообучения
  • анализ корпуса классической китайской литературы

Ограничения

Для разделения предложений, расстановки пунктуации и распознавания сущностей модель необходимо дообучить под соответствующую задачу. Обучающие тексты приведены к упрощённым иероглифам.

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

GuwenBERT

Model description

GuwenBERT

This is a RoBERTa model pre-trained on Classical Chinese. You can fine-tune GuwenBERT for downstream tasks, such as sentence breaking, punctuation, named entity recognition, and so on.

For more information about RoBERTa, take a look at the RoBERTa's offical repo.

How to use

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("ethanyt/guwenbert-base")

model = AutoModel.from_pretrained("ethanyt/guwenbert-base")

Training data

The training data is daizhige dataset (殆知阁古代文献) which is contains of 15,694 books in Classical Chinese, covering Buddhism, Confucianism, Medicine, History, Zi, Yi, Yizang, Shizang, Taoism, and Jizang. 76% of them are punctuated. The total number of characters is 1.7B (1,743,337,673). All traditional Characters are converted to simplified characters. The vocabulary is constructed from this data set and the size is 23,292.

Training procedure

The models are initialized with hfl/chinese-roberta-wwm-ext and then pre-trained with a 2-step strategy. In the first step, the model learns MLM with only word embeddings updated during training, until convergence. In the second step, all parameters are updated during training.

The models are trained on 4 V100 GPUs for 120K steps (20K for step#1, 100K for step#2) with a batch size of 2,048 and a sequence length of 512. The optimizer used is Adam with a learning rate of 2e-4, adam-betas of (0.9,0.98), adam-eps of 1e-6, a weight decay of 0.01, learning rate warmup for 5K steps, and linear decay of learning rate after.

Eval results

"Gulian Cup" Ancient Books Named Entity Recognition Evaluation

Second place in the competition. Detailed test results:

NE TypePrecisionRecallF1
Book Name77.5073.7375.57
Other Name85.8589.3287.55
Micro Avg.83.8885.3984.63

About Us

We are from Datahammer, Beijing Institute of Technology. For more cooperation, please contact email: ethanyt [at] qq.com

Created with ❤️ by Tan Yan Github icon and Zewen Chi Github icon

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
RobertaForMaskedLM
Ревизия весов
eff0d4a

0 моделей