/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
14 июн 2023

bert-base-japanese_jumanpp-bpe

Заполнение пропусковТекст → текст3 профессии

Японская BERT-base от Hitachi для предсказания замаскированных токенов с токенизацией Juman++ и BPE.

317скачиваний за 30 дней0лайковвеса обновлены16 июн 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

Японская базовая модель BERT от Hitachi, обученная для предсказания замаскированных токенов. Она предназначена для fill-mask задач и обработки японского текста. Модель использует архитектуру BERT с 136,3 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате PyTorch через Transformers. Токенизатор сочетает морфологический анализ Juman++ с разбиением на субсловные токены BPE; для его работы требуется файл словаря из репозитория проекта на GitHub.

Модель обучалась на данных Wikipedia и CC-100. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, а также ограничивает коммерческое использование.

Сценарии применения

  • подстановка пропущенных слов в японском тексте
  • анализ контекста японских предложений
  • получение контекстных представлений японского текста
  • эксперименты с японским языковым моделированием

Ограничения

Для токенизатора требуется отдельно получить словарь Juman++ + BPE из репозитория проекта. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

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

Japanese BERT-base (Juman++ + BPE)

How to load the tokenizer

Please download the dictionary file for Juman++ + BPE from our GitHub repository. Then you can load the tokenizer by specifying the path of the dictionary file to dict_path.

from typing import Optional

from tokenizers import Tokenizer, NormalizedString, PreTokenizedString
from tokenizers.processors import BertProcessing
from tokenizers.pre_tokenizers import PreTokenizer
from transformers import PreTrainedTokenizerFast

from pyknp import Juman
import mojimoji
import textspan

class JumanPreTokenizer:
    def __init__(self):
        self.juman = Juman("jumanpp", multithreading=True)
    
    def tokenize(self, sequence: str) -> list[str]:
        text = mojimoji.han_to_zen(sequence).rstrip()
        try:
            result = self.juman.analysis(text)
        except:
            traceback.print_exc()
            text = ""
            result = self.juman.analysis(text)
        return [mrph.midasi for mrph in result.mrph_list()]
    
    def custom_split(self, i: int, normalized_string: NormalizedString) -> list[NormalizedString]:
        text = str(normalized_string)
        tokens = self.tokenize(text)
        tokens_spans = textspan.get_original_spans(tokens, text)
        return [normalized_string[st:ed] for cahr_spans in tokens_spans for st,ed in cahr_spans]
    
    def pre_tokenize(self, pretok: PreTokenizedString):
        pretok.split(self.custom_split)

# load a pre-tokenizer
pre_tokenizer = JumanPreTokenizer()

# load a tokenizer
dict_path = /path/to/jumanpp_bpe.json
tokenizer = Tokenizer.from_file(dict_path)
tokenizer.post_processor = BertProcessing(
    cls=("[CLS]", tokenizer.token_to_id('[CLS]')),
    sep=("[SEP]", tokenizer.token_to_id('[SEP]'))
)

# convert to PreTrainedTokenizerFast
tokenizer = PreTrainedTokenizerFast(
    tokenizer_object=tokenizer,
    unk_token='[UNK]',
    cls_token='[CLS]',
    sep_token='[SEP]',
    pad_token='[PAD]',
    mask_token='[MASK]'
)

# set a pre-tokenizer
tokenizer._tokenizer.pre_tokenizer = PreTokenizer.custom(pre_tokenizer)
# Test
test_str = "こんにちは。私は形態素解析器について研究をしています。"
tokenizer.convert_ids_to_tokens(tokenizer(test_str).input_ids)
# -> ['[CLS]','こ','んに','ち','は','。','私','は','形態','素','解析','器','に','ついて','研究','を','して','い','ます','。','[SEP]']

How to load the model

from transformers import AutoModelForMaskedLM
model = AutoModelForMaskedLM.from_pretrained("hitachi-nlp/bert-base_jumanpp-bpe")

See our repository for more details!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
c30765e

0 моделей