/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
11 апр 2023

bert-base-japanese-ssuw

Заполнение пропусковТекст → текст3 профессии

Японская модель BERT base для предсказания замаскированных слов в тексте, предварительно сегментированном на SSUW.

169скачиваний за 30 дней1лайквеса обновлены12 апр 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

Это предварительно обученная японская модель BERT base для работы с super short unit words (SSUW). Её разработчик — ku-accms. Модель использует архитектуру BERT с головой masked language modeling, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов.

Модель предназначена для заполнения маски в японском тексте. Перед подачей текст нужно преобразовать в полноширинные символы и заранее сегментировать на SSUW, например с помощью KyTea. Для предобучения использовался дамп японской Википедии от 1 января 2023 года объёмом 3,3 ГБ. Модель распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • подстановка пропущенного слова в японском предложении
  • оценка вариантов заполнения маски в японском тексте
  • анализ контекста японских слов после сегментации на SSUW

Ограничения

Перед использованием текст нужно преобразовать в полноширинные символы и сегментировать на SSUW; для сегментации в README приведён KyTea. Обучение основано на японской Википедии, поэтому модель может хуже работать на других стилях и предметных областях.

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

ku-accms/bert-base-japanese-ssuw

Model description

This is a pre-trained Japanese BERT base model for super short unit words (SSUW).

Pre-processing

The input text should be converted to full-width (zenkaku) characters and segmented into super short unit words in advance (e.g., by KyTea).

How to use

You can use this model directly with a pipeline for masked language modeling:

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='ku-accms/bert-base-japanese-ssuw')
>>> unmasker("京都 大学 で [MASK] を 専攻 する 。")
[{'sequence': '京都 大学 で 文学 を 専攻 する 。',
  'score': '0.1464807540178299',
  'token': '14603',
  'token_str': '文学'}
 {'sequence': '京都 大学 で 哲学 を 専攻 する 。',
  'score': '0.08064978569746017',
  'token': '15917',
  'token_str': '哲学'}
 {'sequence': '京都 大学 で 演劇 を 専攻 する 。',
  'score': '0.0800977498292923',
  'token': '16772',
  'token_str': '演劇'}
 {'sequence': '京都 大学 で 法学 を 専攻 する 。',
  'score': '0.04579947143793106',
  'token': '16255',
  'token_str': '法学'}
 {'sequence': '京都 大学 で 英語 を 専攻 する 。',
  'score': '0.045536939054727554',
  'token': '14592',
  'token_str': '英語'}

Here is how to use this model to get the features of a given text in PyTorch:

import zenhan
import Mykytea
kytea_model_path = "somewhere"
kytea = Mykytea.Mykytea("-model {} -notags".format(kytea_model_path))
def preprocess(text):
    return " ".join(kytea.getWS(zenhan.h2z(text)))

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('ku-accms/bert-base-japanese-ssuw')
model = BertModel.from_pretrained("ku-accms/bert-base-japanese-ssuw")
text = "京都大学で自然言語処理を専攻する。"
encoded_input = tokenizer(preprocess(text), return_tensors='pt')
output = model(**encoded_input)

Training data

We used a Japanese Wikipedia dump (as of 20230101, 3.3GB).

Training procedure

We first segmented the texts into words by KyTea and then tokenized the words into subwords using WordPiece with a vocabulary size of 32,000. We pre-trained the BERT model using transformers library. The training took about 8 days using 4 NVIDIA A100-SXM4-80GB GPUs.

The following hyperparameters were used for the pre-training.

  • learning_rate: 2e-4
  • weight decay: 1e-2
  • per_device_train_batch_size: 80
  • num_devices: 4
  • gradient_accumulation_steps: 3
  • total_train_batch_size: 960
  • max_seq_length: 512
  • optimizer: AdamW with betas=(0.9,0.999) and epsilon=1e-06
  • lr_scheduler_type: linear schedule with warmup
  • training_steps: 500,000
  • warmup_steps: 10,000

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
6368cbf

0 моделей