/ Модель

Характеристики

Контекст
1 282 токена
Параметры
138 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
4 сен 2022

roberta-long-japanese

Заполнение пропусковТекст → текст3 профессии

Японская RoBERTa с контекстом до 1282 токенов для заполнения пропусков в тексте.

209скачиваний за 30 дней10лайковвеса обновлены4 окт 2022

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

megagonlabs/roberta-long-japanese — японская языковая модель RoBERTa от Megagon Labs, предварительно обученная на примерно 200 млн японских предложений из корпуса mC4. Это плотная трансформерная модель с 12 слоями, размером скрытого представления 768 и 12 головами внимания; в ней 137,8 млн параметров. Увеличенная до 1282 токенов позиционная длина позволяет обрабатывать более длинные последовательности, чем базовая японская RoBERTa.

Модель предназначена для заполнения пропусков в японском тексте. Перед SentencePiece-токенизацией вход нужно предварительно сегментировать с помощью Juman++ v2.0.0-rc3; также требуется SentencePiece. Репозиторий содержит веса PyTorch, лицензия — MIT. В README описано предварительное обучение, а не специализированная настройка для отдельных предметных областей.

Сценарии применения

  • восстановление пропущенных слов в японском тексте
  • подбор слова для маскированного фрагмента японского предложения
  • проверка языковых представлений японского текста

Ограничения

Для токенизации требуется предварительная сегментация Juman++ v2.0.0-rc3 и SentencePiece. Модель предназначена для японского языка и не описана как специализированная для конкретных предметных областей.

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

roberta-long-japanese (jumanpp + sentencepiece, mC4 Japanese)

This is the longer input version of RoBERTa Japanese model pretrained on approximately 200M Japanese sentences. max_position_embeddings has been increased to 1282, allowing it to handle much longer inputs than the basic RoBERTa model.

The tokenization model and logic is completely same as nlp-waseda/roberta-base-japanese. The input text should be pretokenized by Juman++ v2.0.0-rc3 and then the SentencePiece tokenization will be applied for the whitespace-separated token sequences. See tokenizer_config.json for details.

How to use

Please install Juman++ v2.0.0-rc3 and SentencePiece in advance.

You can load the model and the tokenizer via AutoModel and AutoTokenizer, respectively.

from transformers import AutoModel, AutoTokenizer
model = AutoModel.from_pretrained("megagonlabs/roberta-long-japanese")
tokenizer = AutoTokenizer.from_pretrained("megagonlabs/roberta-long-japanese")
model(**tokenizer("まさに オール マイ ティー な 商品 だ 。", return_tensors="pt")).last_hidden_state
tensor([[[ 0.1549, -0.7576,  0.1098,  ...,  0.7124,  0.8062, -0.9880],
         [-0.6586, -0.6138, -0.5253,  ...,  0.8853,  0.4822, -0.6463],
         [-0.4502, -1.4675, -0.4095,  ...,  0.9053, -0.2017, -0.7756],
         ...,
         [ 0.3505, -1.8235, -0.6019,  ..., -0.0906, -0.5479, -0.6899],
         [ 1.0524, -0.8609, -0.6029,  ...,  0.1022, -0.6802,  0.0982],
         [ 0.6519, -0.2042, -0.6205,  ..., -0.0738, -0.0302, -0.1955]]],
       grad_fn=<NativeLayerNormBackward0>)

Model architecture

The model architecture is almost the same as nlp-waseda/roberta-base-japanese except max_position_embeddings has been increased to 1282; 12 layers, 768 dimensions of hidden states, and 12 attention heads.

Training data and libraries

This model is trained on the Japanese texts extracted from the mC4 Common Crawl's multilingual web crawl corpus. We used the Sudachi to split texts into sentences, and also applied a simple rule-based filter to remove nonlinguistic segments of mC4 multilingual corpus. The extracted texts contains over 600M sentences in total, and we used approximately 200M sentences for pretraining.

We used huggingface/transformers RoBERTa implementation for pretraining. The time required for the pretrainig was about 700 hours using GCP A100 8gpu instance with enabling Automatic Mixed Precision.

Licenses

The pretrained models are distributed under the terms of the MIT License.

Citations

  • mC4

Contains information from mC4 which is made available under the ODC Attribution License.

@article{2019t5,
    author = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
    title = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
    journal = {arXiv e-prints},
    year = {2019},
    archivePrefix = {arXiv},
    eprint = {1910.10683},
}

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
d9559d4

0 моделей