/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Архитектура
albert · dense

albert-base-turkish-uncased

Языковая модель4 профессии

Предобученный турецкий энкодер ALBERT-Base для извлечения признаков и настройки под задачи обработки текста.

24скачиваний за 30 дней1лайквеса обновлены11 дек 2020

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

loodos выпустила эту предобученную модель ALBERT-Base для работы с текстами на турецком языке. Она построена на архитектуре ALBERT с 12 повторно используемыми слоями энкодера и размером скрытого представления 768; модель обучена на турецком корпусе без учёта регистра. В репозитории доступны веса PyTorch и TensorFlow, максимальная длина контекста — 512 токенов.

Модель предназначена для дальнейшей настройки и применения в задачах обработки турецкого текста, например классификации или извлечения признаков. В README отмечена проблема токенизации турецких букв «ı», «i», «I», «İ» и других символов: нормализация токенизатора может искажать текст и приводить к потере информации. Для обучения на тексте без учёта регистра авторы предлагают использовать собственный модуль нормализации. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • извлечение признаков из турецких текстов
  • дообучение классификатора турецких текстов
  • подготовка векторных представлений турецких предложений
  • адаптация энкодера для задач понимания турецкого языка

Ограничения

Нормализация и регистровые преобразования токенизатора могут неправильно обрабатывать специфичные для турецкого языка буквы и искажать текст; для обучения авторы рекомендуют использовать предоставляемый ими модуль нормализации.

Для каких профессий подходит4

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

Turkish Language Models with Huggingface's Transformers

As R&D Team at Loodos, we release cased and uncased versions of most recent language models for Turkish. More details about pretrained models and evaluations on downstream tasks can be found here (our repo).

Turkish ALBERT-Base (uncased)

This is ALBERT-Base model which has 12 repeated encoder layers with 768 hidden layer size trained on uncased Turkish dataset.

Usage

Using AutoModel and AutoTokenizer from Transformers, you can import the model as described below.

from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("loodos/albert-base-turkish-uncased", do_lower_case=False, keep_accents=True)

model = AutoModel.from_pretrained("loodos/albert-base-turkish-uncased")
 
normalizer = TextNormalization()
normalized_text = normalizer.normalize(text, do_lower_case=True, is_turkish=True)

tokenizer.tokenize(normalized_text)

Notes on Tokenizers

Currently, Huggingface's tokenizers (which were written in Python) have a bug concerning letters "ı, i, I, İ" and non-ASCII Turkish specific letters. There are two reasons.

1- Vocabulary and sentence piece model is created with NFC/NFKC normalization but tokenizer uses NFD/NFKD. NFD/NFKD normalization changes text that contains Turkish characters I-ı, İ-i, Ç-ç, Ö-ö, Ş-ş, Ğ-ğ, Ü-ü. This causes wrong tokenization, wrong training and loss of information. Some tokens are never trained.(like "şanlıurfa", "öğün", "çocuk" etc.) NFD/NFKD normalization is not proper for Turkish.

2- Python's default string.lower() and string.upper() make the conversions

  • "I" and "İ" to 'i'
  • 'i' and 'ı' to 'I'

respectively. However, in Turkish, 'I' and 'İ' are two different letters.

We opened an issue in Huggingface's github repo about this bug. Until it is fixed, in case you want to train your model with uncased data, we provide a simple text normalization module (TextNormalization() in the code snippet above) in our repo.

Details and Contact

You contact us to ask a question, open an issue or give feedback via our github repo.

Acknowledgments

Many thanks to TFRC Team for providing us cloud TPUs on Tensorflow Research Cloud to train our models.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов
3275004

0 моделей