/ Модель

Характеристики

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

deberta-v2-tiny-japanese-char-wwm

Заполнение пропусковТекст → текст3 профессии

Компактная японская DeBERTa V2 для предсказания замаскированных слов и фрагментов текста.

14 876скачиваний за 30 дней0лайковвеса обновлены23 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-tiny-japanese-char-wwm — компактная модель DeBERTa V2 от группы KU NLP, предварительно обученная на японской Википедии, японских частях CC-100 и OSCAR. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling.

Модель имеет около 6 млн параметров и контекстное окно 512 токенов. Текст разбивается на символьные токены с помощью SentencePiece; при обучении использовалось маскирование целых слов. Модель работает с японским языком и доступна в форматах PyTorch и Safetensors через библиотеку Transformers.

Лицензия — CC BY-SA 4.0. Модель специализирована на восстановлении замаскированных фрагментов японского текста; карточка не сообщает об оценках качества или ограничениях сверх этой специализации.

Сценарии применения

  • предсказание пропущенных фрагментов в японском тексте
  • восстановление замаскированных слов для языкового моделирования
  • оценка языковых представлений японского текста в экспериментах

Ограничения

Модель рассчитана на японский язык и задачу masked language modeling; карточка не приводит оценок качества для прикладных сценариев.

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 tiny

Model description

This is a Japanese DeBERTa V2 tiny 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-tiny-japanese-char-wwm')
model = AutoModelForMaskedLM.from_pretrained('ku-nlp/deberta-v2-tiny-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 one day using 8 NVIDIA A100-SXM4-40GB GPUs.

The following hyperparameters were used during pre-training:

  • learning_rate: 2e-4
  • per_device_train_batch_size: 190
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 6,080
  • max_seq_length: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-06
  • lr_scheduler_type: linear schedule with warmup
  • training_steps: 100,000
  • warmup_steps: 10,000

The accuracy of the trained model on the masked language modeling task was 0.499. The evaluation set consists of 5,000 randomly sampled documents from each of the training corpora.

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
41bcb8a

0 моделей