/ Модель

Характеристики

Контекст
512 токенов
Параметры
130 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-base-cantonese
Библиотека
transformers
Опубликована
21 ноя 2024

bert-base-cantonese

Заполнение пропусковТекст → текст3 профессии

Продолжительно предобученная на современных кантонских текстах модель BERT для заполнения пропусков и дальнейшей настройки под задачи на кантонском языке.

2 477скачиваний за 30 дней3лайкавеса обновлены23 ноя 2024

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

hon9kon9ize/bert-base-cantonese — модель BERT с 129,9 млн параметров, продолжительно предобученная разработчиком на кантонских текстах. Она основана на indiejoseph/bert-base-cantonese и обучалась предсказывать замаскированные токены; дополнительное обучение использовало тексты из новостей, социальных сетей и веб-страниц, чтобы обновить знания о Гонконге и кантонском языке. Контекст модели составляет до 512 токенов, веса опубликованы в формате Safetensors.

Модель предназначена прежде всего для дальнейшей тонкой настройки под задачи на кантонском языке. Её можно использовать для заполнения пропусков в тексте, например, для языкового анализа и подготовки признаков для последующих моделей. Из-за намеренного переобучения и продолжительного предобучения на конкретном корпусе её результаты могут хуже переноситься на иные данные и задачи; сама карточка рекомендует дообучение для прикладного использования. Лицензия — Apache-2.0.

Сценарии применения

  • предсказание пропущенных слов в кантонском тексте
  • пополнение и анализ текстов на кантонском языке
  • дообучение для прикладных задач обработки кантонского языка

Ограничения

Модель специально дообучена на кантонских текстах и предназначена для последующей тонкой настройки; результаты на других языках и задачах могут быть ограничены. В README отмечено, что при продолжительном предобучении модель слегка переобучали.

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

bert-base-cantonese

This model is a continuation of indiejoseph/bert-base-cantonese, a BERT-based model pre-trained on a substantial corpus of Cantonese text. The dataset was sourced from a variety of platforms, including news articles, social media posts, and web pages. The text was segmented into sentences containing 11 to 460 tokens per line. To ensure data quality, Minhash LSH was employed to eliminate near-duplicate sentences, resulting in a final dataset comprising 161,338,273 tokens. Training was conducted using the run_mlm.py script from the transformers library.

This continuous pre-training aims to expand the model's knowledge with more up-to-date Hong Kong and Cantonese text data. So we slightly overfit the model with higher learng rate and more epochs.

WandB

Usage

from transformers import pipeline

pipe = pipeline("fill-mask", model="hon9kon9ize/bert-base-cantonese")

pipe("香港特首係李[MASK]超")

# [{'score': 0.3057154417037964,
#   'token': 2157,
#   'token_str': '家',
#   'sequence': '香 港 特 首 係 李 家 超'},
#  {'score': 0.08251259475946426,
#   'token': 6631,
#   'token_str': '超',
#   'sequence': '香 港 特 首 係 李 超 超'},
# ...

pipe("我睇到由治及興帶嚟[MASK]好處")

# [{'score': 0.9563464522361755,
#   'token': 1646,
#   'token_str': '嘅',
#   'sequence': '我 睇 到 由 治 及 興 帶 嚟 嘅 好 處'},
#  {'score': 0.00982475932687521,
#   'token': 4638,
#   'token_str': '的',
#   'sequence': '我 睇 到 由 治 及 興 帶 嚟 的 好 處'},
# ...

Intended uses & limitations

This model is intended to be used for further fine-tuning on Cantonese downstream tasks.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 180
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 1440
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10.0

Framework versions

  • Transformers 4.45.0
  • Pytorch 2.4.1+cu121
  • Datasets 2.20.0
  • Tokenizers 0.20.0

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
1d59d6c

0 моделей