/ Модель

Характеристики

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

roberta-base-japanese-ssuw

Заполнение пропусковТекст → текст3 профессии

Японская RoBERTa base заполняет пропуски в тексте, предварительно сегментированном на суперкороткие единицы слов.

152скачиваний за 30 дней0лайковвеса 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

ku-accms/roberta-base-japanese-ssuw — предварительно обученная японская модель RoBERTa base для работы с суперкороткими единицами слов (SSUW). Она использует архитектуру RoBERTa для masked language modeling и предназначена для заполнения пропусков в тексте. Модель содержит 137,8 млн параметров, работает с последовательностями длиной до 514 токенов и доступна в формате PyTorch через Transformers.

Для входного текста требуется предварительная обработка: преобразование символов в полноширинный формат и сегментация на суперкороткие единицы слов, например с помощью KyTea. Модель обучена на японской Википедии и японской части корпуса CC100. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • подстановка пропущенных слов в японском тексте
  • оценка контекстуальной правдоподобности японских токенов
  • эксперименты с masked language modeling для японского языка

Ограничения

Перед использованием необходимо преобразовать текст в полноширинные символы и сегментировать его на SSUW. Модель обучена на японских данных и рассчитана на последовательности длиной до 514 токенов.

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/roberta-base-japanese-ssuw

Model description

This is a pre-trained Japanese RoBERTa 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/roberta-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': '0.1479644924402237',
  'token': '17907',
  'token_str': '文学'}
 {'sequence': '京都 大学 で 哲学 を 専攻 する 。',
  'score': '0.07658644765615463',
  'token': '19302',
  'token_str': '哲学'}
 {'sequence': '京都 大学 で デザイン を 専攻 する 。',
  'score': '0.06302948296070099',
  'token': '14411',
  'token_str': 'デザイン'}
 {'sequence': '京都 大学 で 建築 を 専攻 する 。',
  'score': '0.060596249997615814',
  'token': '15478',
  'token_str': '建築'}
 {'sequence': '京都 大学 で 工学 を 専攻 する 。',
  'score': '0.0574776753783226',
  'token': '18632',
  'token_str': '工学'}

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, RobertaModel
tokenizer = BertTokenizer.from_pretrained('ku-accms/roberta-base-japanese-ssuw')
model = RobertaModel.from_pretrained("ku-accms/roberta-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) and a Japanese portion of CC100 (70GB).

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 RoBERTa model using transformers library. The training took about 7 days using 4 NVIDIA A100-SXM4-80GB GPUs.

The following hyperparameters were used for the pre-training.

  • learning_rate: 1e-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
RobertaForMaskedLM
Ревизия весов
285acff

0 моделей