/ Модель

Характеристики

Контекст
16 384 токена
Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
canine · dense
Опубликована
2 мар 2022

canine-c

ЭмбеддингиТекст → embedding4 профессии

Многоязычная символьная модель Google для извлечения признаков из текста и подготовки представлений для последующих NLP-задач.

140 тыс.скачиваний за 30 дней41лайквеса обновлены29 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

CANINE-c — предварительно обученная многоязычная модель Google для представления текста. Модель основана на архитектуре CANINE и содержит 113,2 млн параметров. В отличие от моделей с WordPiece или SentencePiece, она работает непосредственно с символами, представляя каждый символ его кодовой точкой Unicode; контекст составляет до 16 384 токенов.

CANINE-c обучена на текстах 104 языков из многоязычной Википедии с задачами восстановления замаскированных фрагментов символов и предсказания следующего предложения. Она предназначена для извлечения признаков, которые можно использовать в последующих задачах, например классификации последовательностей, разметки токенов и ответов на вопросы. Модель не предназначена для генерации текста.

Весам предоставлена лицензия Apache-2.0. Ограничение токенизации снимает зависимость от словаря субслов, но сама модель требует дообучения или отдельной задачи на основе её представлений для большинства прикладных сценариев.

Сценарии применения

  • извлечение признаков из многоязычных предложений
  • подготовка представлений текста для классификатора
  • классификация последовательностей после дообучения
  • разметка токенов после дообучения
  • ответы на вопросы по тексту после дообучения

Ограничения

Модель предназначена прежде всего для извлечения представлений и дообучения на прикладных задачах; она не подходит для генерации текста. README описывает предобучение на 104 языках, тогда как в доступных тегах перечислена лишь часть языковых кодов.

Для каких профессий подходит4

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

CANINE-c (CANINE pre-trained with autoregressive character loss)

Pretrained CANINE model on 104 languages using a masked language modeling (MLM) objective. It was introduced in the paper CANINE: Pre-training an Efficient Tokenization-Free Encoder for Language Representation and first released in this repository.

What's special about CANINE is that it doesn't require an explicit tokenizer (such as WordPiece or SentencePiece) as other models like BERT and RoBERTa. Instead, it directly operates at a character level: each character is turned into its Unicode code point.

This means that input processing is trivial and can typically be accomplished as:

input_ids = [ord(char) for char in text]

The ord() function is part of Python, and turns each character into its Unicode code point.

Disclaimer: The team releasing CANINE did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

CANINE is a transformers model pretrained on a large corpus of multilingual data in a self-supervised fashion, similar to BERT. This means it was pretrained on the raw texts only, with no humans labelling them in any way (which is why it can use lots of publicly available data) with an automatic process to generate inputs and labels from those texts. More precisely, it was pretrained with two objectives:

  • Masked language modeling (MLM): one randomly masks part of the inputs, which the model needs to predict. This model (CANINE-c) is trained with an autoregressive character loss. One masks several character spans within each sequence, which the model then autoregressively predicts.
  • Next sentence prediction (NSP): the model concatenates two sentences as inputs during pretraining. Sometimes they correspond to sentences that were next to each other in the original text, sometimes not. The model then has to predict if the two sentences were following each other or not.

This way, the model learns an inner representation of multiple languages that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled sentences for instance, you can train a standard classifier using the features produced by the CANINE model as inputs.

Intended uses & limitations

You can use the raw model for either masked language modeling or next sentence prediction, but it's mostly intended to be fine-tuned on a downstream task. See the model hub to look for fine-tuned versions on a task that interests you.

Note that this model is primarily aimed at being fine-tuned on tasks that use the whole sentence (potentially masked) to make decisions, such as sequence classification, token classification or question answering. For tasks such as text generation you should look at models like GPT2.

How to use

Here is how to use this model:

from transformers import CanineTokenizer, CanineModel

model = CanineModel.from_pretrained('google/canine-c')
tokenizer = CanineTokenizer.from_pretrained('google/canine-c')

inputs = ["Life is like a box of chocolates.", "You never know what you gonna get."]
encoding = tokenizer(inputs, padding="longest", truncation=True, return_tensors="pt")

outputs = model(**encoding) # forward pass
pooled_output = outputs.pooler_output
sequence_output = outputs.last_hidden_state

Training data

The CANINE model was pretrained on on the multilingual Wikipedia data of mBERT, which includes 104 languages.

BibTeX entry and citation info

@article{DBLP:journals/corr/abs-2103-06874,
  author    = {Jonathan H. Clark and
               Dan Garrette and
               Iulia Turc and
               John Wieting},
  title     = {{CANINE:} Pre-training an Efficient Tokenization-Free Encoder for
               Language Representation},
  journal   = {CoRR},
  volume    = {abs/2103.06874},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.06874},
  archivePrefix = {arXiv},
  eprint    = {2103.06874},
  timestamp = {Tue, 16 Mar 2021 11:26:59 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-06874.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
CanineModel
Ревизия весов
dc0eaff

0 моделей