/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Лицензия
Apache 2.0
Архитектура
albert · dense

sahajBERT

Заполнение пропусковТекст → текст5 профессий

Предварительно обученная на бенгальских текстах модель ALBERT для заполнения пропусков и адаптации к задачам классификации и разметки текста.

490скачиваний за 30 дней12лайковвеса обновлены24 июн 2021

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

sahajBERT — модель ALBERT, совместно предварительно обученная для бенгальского языка с помощью masked language modeling и предсказания порядка предложений. Разработчики создали для неё специальный бенгальский токенизатор; для обучения использовались бенгальская Википедия и часть корпуса OSCAR. Модель содержит 435,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch.

Модель предназначена для заполнения пропусков в тексте и дальнейшей тонкой настройки под задачи классификации последовательностей, разметки токенов и ответов на вопросы. В опубликованных оценках она показала F1 95,45 на бенгальском NER и точность 91,97 на классификации новостных категорий. Лицензия — Apache-2.0. В README раздел об ограничениях и смещениях обозначен как незавершённый.

Сценарии применения

  • Заполнение пропущенных слов в бенгальском тексте
  • Распознавание именованных сущностей в бенгальских текстах
  • Классификация бенгальских новостных статей
  • Разметка токенов в бенгальском тексте
  • Тонкая настройка для ответов на вопросы по бенгальскому тексту

Ограничения

В README раздел об ограничениях и смещениях помечен как незавершённый. Для классификации, разметки токенов и ответов на вопросы модель нужно дообучить на соответствующей задаче.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sahajBERT

Collaboratively pre-trained model on Bengali language using masked language modeling (MLM) and Sentence Order Prediction (SOP) objectives.

Model description

sahajBERT is a model composed of 1) a tokenizer specially designed for Bengali and 2) an ALBERT architecture collaboratively pre-trained on a dump of Wikipedia in Bengali and the Bengali part of OSCAR.

Intended uses & limitations

You can use the raw model for either masked language modeling or next sentence prediction, but it's mostly intended to be fine-tuned on a downstream task that use the whole sentence (potentially masked) to make decisions, such as sequence classification, token classification or question answering.

We trained our model on 2 of these downstream tasks: sequence classification and token classification

How to use

You can use this model directly with a pipeline for masked language modeling:


from transformers import AlbertForMaskedLM, FillMaskPipeline, PreTrainedTokenizerFast

# Initialize tokenizer

tokenizer = PreTrainedTokenizerFast.from_pretrained("neuropark/sahajBERT")

# Initialize model

model = AlbertForMaskedLM.from_pretrained("neuropark/sahajBERT")

# Initialize pipeline

pipeline = FillMaskPipeline(tokenizer=tokenizer, model=model)

raw_text = "ধন্যবাদ। আপনার সাথে কথা [MASK] ভালো লাগলো" # Change me

pipeline(raw_text)

Here is how to use this model to get the features of a given text in PyTorch:


from transformers import AlbertModel, PreTrainedTokenizerFast

# Initialize tokenizer

tokenizer = PreTrainedTokenizerFast.from_pretrained("neuropark/sahajBERT")

# Initialize model

model = AlbertModel.from_pretrained("neuropark/sahajBERT")

text = "ধন্যবাদ। আপনার সাথে কথা বলে ভালো লাগলো" # Change me

encoded_input = tokenizer(text, return_tensors='pt')

output = model(**encoded_input)

Limitations and bias

WIP

Training data

The tokenizer was trained on he Bengali part of OSCAR and the model on a dump of Wikipedia in Bengali and the Bengali part of OSCAR.

Training procedure

This model was trained in a collaborative manner by volunteer participants.

Contributors leaderboard

RankUsernameTotal contributed runtime
1khalidsaifullaah11 days 21:02:08
2ishanbagchi9 days 20:37:00
3tanmoyio9 days 18:08:34
4debajit8 days 14:15:10
5skylord6 days 16:35:29
6ibraheemmoosa5 days 01:05:57
7SaulLu5 days 00:46:36
8lhoestq4 days 20:11:16
9nilavya4 days 08:51:51
10Priyadarshan4 days 02:28:55
11anuragshas3 days 05:00:55
12sujitpal2 days 20:52:33
13manandey2 days 16:17:13
14albertvillanova2 days 14:14:31
15justheuristic2 days 13:20:52
16w0lfw1tz2 days 07:22:48
17smoker2 days 02:52:03
18Soumi1 days 20:42:02
19Anjali1 days 16:28:00
20OptimusPrime1 days 09:16:57
21theainerd1 days 04:48:57
22yhn1120 days 20:57:02
23kolk0 days 17:57:37
24arnab0 days 17:54:12
25imavijit0 days 16:07:26
26osanseviero0 days 14:16:45
27subhranilsarkar0 days 13:04:46
28sagnik15110 days 12:24:57
29anindabitm0 days 08:56:44
30borzunov0 days 04:07:35
31thomwolf0 days 03:53:15
32priyadarshan0 days 03:40:11
33ali0070 days 03:34:37
34sbrandeis0 days 03:18:16
35Preetha0 days 03:13:47
36Mrinal0 days 03:01:43
37laxya0070 days 02:18:34
38lewtun0 days 00:34:43
39Rounak0 days 00:26:10
40kshmax0 days 00:06:38

Hardware used

Eval results

We evaluate sahajBERT model quality and 2 other model benchmarks (XLM-R-large and IndicBert) by fine-tuning 3 times their pre-trained models on two downstream tasks in Bengali:

  • NER: a named entity recognition on Bengali split of WikiANN dataset

  • NCC: a multi-class classification task on news Soham News Category Classification dataset from IndicGLUE

Base pre-trained ModelNER - F1 (mean ± std)NCC - Accuracy (mean ± std)
sahajBERT95.45 ± 0.5391.97 ± 0.47
XLM-R-large96.48 ± 0.2290.05 ± 0.38
IndicBert92.52 ± 0.4574.46 ± 1.91

BibTeX entry and citation info

Coming soon!

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
AlbertForPreTraining
Ревизия весов
e9159ab

0 моделей