/ Модель

Характеристики

Контекст
514 токенов
Параметры
127 млн
Лицензия
CC BY-SA 4.0
Архитектура
roberta · dense
Опубликована
20 сен 2022

roberta-base-japanese-char-wwm

Заполнение пропусковТекст → текст3 профессии

Базовая японская RoBERTa с символьной токенизацией для заполнения пропусков и задач masked language modeling.

3 665скачиваний за 30 дней4лайкавеса обновлены20 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/roberta-base-japanese-char-wwm — базовая модель RoBERTa, разработанная KU NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling.

Модель содержит 127,4 млн параметров, использует символьную токенизацию SentencePiece и маскирование целых слов (whole word masking). Токенизатор принимает обычный текст без предварительной токенизации; словарь включает 18 377 токенов. Максимальный контекст составляет 514 токенов. Модель рассчитана на японский язык.

Модель подходит для подстановки пропущенных слов и анализа японского текста через контекстные представления. Это базовая предобученная модель, а не специализированная система для диалога или генерации длинных текстов. Распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • подстановка пропущенных слов в японском тексте
  • оценка вариантов заполнения пропуска по контексту
  • адаптация для классификации японских текстов
  • получение контекстных представлений японских предложений

Ограничения

Модель предварительно обучена на японской Википедии и CC-100 и не заявлена как готовая диалоговая или универсальная генеративная система. Контекст ограничен 514 токенами.

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-nlp/roberta-base-japanese-char-wwm

Model description

This is a Japanese RoBERTa base model pre-trained on Japanese Wikipedia and the Japanese portion of CC-100. 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/roberta-base-japanese-char-wwm')
model = AutoModelForMaskedLM.from_pretrained('ku-nlp/roberta-base-japanese-char-wwm')

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

You can 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.

Vocabulary

The vocabulary consists of 18,377 tokens including all characters that appear in the training corpus.

Training procedure

This model was trained on Japanese Wikipedia (as of 20220220) and the Japanese portion of CC-100. It took two weeks using 8 NVIDIA A100 GPUs.

The following hyperparameters were used during pre-training:

  • learning_rate: 1e-4
  • per_device_train_batch_size: 62
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 3968
  • max_seq_length: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear schedule with warmup
  • training_steps: 330000
  • warmup_steps: 10000

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 · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
8d9241e

0 моделей