/ Модель

Характеристики

Контекст
512 токенов
Параметры
130 млн
Лицензия
CC BY-SA 4.0
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
18 янв 2023

deberta-v2-base-japanese-char-wwm

Заполнение пропусковТекст → текст3 профессии

Японская базовая DeBERTa V2 для предсказания замаскированных фрагментов текста и дообучения на задачах японского языка.

9 760скачиваний за 30 дней1лайквеса обновлены26 мар 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-nlp/deberta-v2-base-japanese-char-wwm — базовая модель DeBERTa V2, предварительно обученная командой ku-nlp на японском тексте. Она предназначена для задачи заполнения пропусков в тексте и может служить основой для дообучения на других задачах обработки японского языка.

Модель содержит 130,2 млн параметров и принимает последовательности длиной до 512 токенов. Токенизация выполняется на уровне символов SentencePiece, а при обучении использовалось маскирование целых слов (whole word masking). Корпус объёмом 171 ГБ включал японскую Википедию, японскую часть CC-100 и OSCAR.

Лицензия — CC-BY-SA-4.0. Модель рассчитана на японский язык; её возможности за пределами заполнения пропусков требуют соответствующего дообучения. README не приводит результатов оценки качества.

Сценарии применения

  • предсказание пропущенных слов в японском тексте
  • получение контекстных представлений японских текстов для дообучения
  • адаптация энкодера для классификации японских текстов
  • эксперименты с маскированным языковым моделированием на японском

Ограничения

Контекст ограничен 512 токенами; опубликованные в README результаты оценки качества не приведены. Для задач, отличных от заполнения пропусков, потребуется подходящее дообучение.

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

Model Card for Japanese character-level DeBERTa V2 base

Model description

This is a Japanese DeBERTa V2 base model pre-trained on Japanese Wikipedia, the Japanese portion of CC-100, and the Japanese portion of OSCAR. This model is trained with character-level tokenization and whole word masking.

How to use

You can use this model for masked language modeling as follows:

from transformers import AutoTokenizer, AutoModelForMaskedLM
tokenizer = AutoTokenizer.from_pretrained('ku-nlp/deberta-v2-base-japanese-char-wwm')
model = AutoModelForMaskedLM.from_pretrained('ku-nlp/deberta-v2-base-japanese-char-wwm')

sentence = '京都大学で自然言語処理を[MASK][MASK]する。'
encoding = tokenizer(sentence, return_tensors='pt')
...

You can also fine-tune this model on downstream tasks.

Tokenization

There is no need to tokenize texts in advance, and you can give raw texts to the tokenizer. The texts are tokenized into character-level tokens by sentencepiece.

Training data

We used the following corpora for pre-training:

  • Japanese Wikipedia (as of 20221020, 3.2GB, 27M sentences, 1.3M documents)
  • Japanese portion of CC-100 (85GB, 619M sentences, 66M documents)
  • Japanese portion of OSCAR (54GB, 326M sentences, 25M documents)

Note that we filtered out documents annotated with "header", "footer", or "noisy" tags in OSCAR. Also note that Japanese Wikipedia was duplicated 10 times to make the total size of the corpus comparable to that of CC-100 and OSCAR. As a result, the total size of the training data is 171GB.

Training procedure

We first segmented texts in the corpora into words using Juman++ 2.0.0-rc3 for whole word masking. Then, we built a sentencepiece model with 22,012 tokens including all characters that appear in the training corpus.

We tokenized raw corpora into character-level subwords using the sentencepiece model and trained the Japanese DeBERTa model using transformers library. The training took 20 days using 8 NVIDIA A100-SXM4-40GB GPUs.

The following hyperparameters were used during pre-training:

  • learning_rate: 2e-4
  • per_device_train_batch_size: 46
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 6
  • total_train_batch_size: 2,208
  • max_seq_length: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-06
  • lr_scheduler_type: linear schedule with warmup (lr = 0 at 500k steps)
  • training_steps: 320,000
  • warmup_steps: 10,000

Acknowledgments

This work was supported by Joint Usage/Research Center for Interdisciplinary Large-scale Information Infrastructures (JHPCN) through General Collaboration Project no. jh221004, "Developing a Platform for Constructing and Sharing of Large-Scale Japanese Language Models". For training models, we used the mdx: a platform for the data-driven future.

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
DebertaV2ForMaskedLM
Ревизия весов
29498bb

0 моделей