/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Архитектура
bert · dense
Опубликована
10 фев 2023

indojave-codemixed-bert-base

Заполнение пропусковТекст → текст

BERT-модель для предсказания замаскированных слов в индонезийско-яванско-английских текстах с переключением языков.

116скачиваний за 30 дней0лайковвеса обновлены15 авг 2023

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

fathan/indojave-codemixed-bert-base — предварительно обученная языковая модель на архитектуре BERT, разработанная для текстов с переключением между индонезийским, яванским и английским языками. Она обучена предсказывать замаскированные токены в сообщениях Twitter и подходит как основа для заполнения пропусков и дальнейшей адаптации к задачам обработки таких текстов.

Модель содержит 151,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Для предобучения использованы 28,1 млн предложений из твитов, собранных с января 2022 по январь 2023 года; исходный набор данных не опубликован из-за политики Twitter. В карточке приведены потери обучения и оценки, но сравнительные результаты на прикладных задачах не представлены.

Лицензия в доступных сведениях не указана. Модель предназначена для текстовых входов и выдаёт предсказания замаскированных токенов; она не является генеративным чат-ассистентом.

Сценарии применения

  • восстановление пропущенных слов в индонезийских твитах
  • предсказание следующего токена в тексте с индонезийско-яванским переключением языков
  • подготовка языковых представлений для дообучения на смешанных индонезийских текстах
  • анализ и предварительная обработка многоязычных сообщений из соцсетей

Ограничения

Предобучающие данные из Twitter недоступны для повторного использования; карточка не приводит сравнительных оценок качества на прикладных задачах. Лицензия в предоставленных сведениях не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IndoJavE: BERT-base

About

This is a pre-trained masked language model for code-mixed Indonesian-Javanese-English tweets data. This model is trained based on BERT model utilizing Hugging Face's Transformers library.

Pre-training Data

The Twitter data is collected from January 2022 until January 2023. The tweets are collected using 8698 random keyword phrases. To make sure the retrieved data are code-mixed, we use keyword phrases that contain code-mixed Indonesian, Javanese, or English words. The following are few examples of the keyword phrases:

  • travelling terus
  • proud koncoku
  • great kalian semua
  • chattingane ilang
  • baru aja launching

We acquire 40,788,384 raw tweets. We apply first stage pre-processing tasks such as:

  • remove duplicate tweets,
  • remove tweets with token length less than 5,
  • remove multiple space,
  • convert emoticon,
  • convert all tweets to lower case.

After the first stage pre-processing, we obtain 17,385,773 tweets. In the second stage pre-processing, we do the following pre-processing tasks:

  • split the tweets into sentences,
  • remove sentences with token length less than 4,
  • convert ‘@username’ to ‘@USER’,
  • convert URL to HTTPURL.

Finally, we have 28,121,693 sentences for the training process. This pretraining data will not be opened to public due to Twitter policy.

Model

Model nameArchitectureSize of training dataSize of validation data
indojave-codemixed-bert-baseBERT2.24 GB of text249 MB of text

Evaluation Results

We train the data with 3 epochs and total steps of 296K for 12 days. The following are the results obtained from the training:

train losseval losseval perplexity
3.50573.055921.2398

How to use

Load model and tokenizer

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("fathan/indojave-codemixed-bert-base")
model = AutoModel.from_pretrained("fathan/indojave-codemixed-bert-base")

Masked language model

from transformers import pipeline

pretrained_model = "fathan/indojave-codemixed-bert-base"

fill_mask = pipeline(
    "fill-mask",
    model=pretrained_model,
    tokenizer=pretrained_model
)

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3.0

Framework versions

  • Transformers 4.26.0
  • Pytorch 1.12.0+cu102
  • Datasets 2.9.0
  • Tokenizers 0.12.1

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
BertForMaskedLM
Ревизия весов
eb2d830

0 моделей