/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Лицензия
CC BY-SA 4.0
Архитектура
roberta · dense
Опубликована
15 окт 2022

roberta-base-japanese-with-auto-jumanpp

Заполнение пропусковТекст → текст3 профессии

Базовая японская RoBERTa для предсказания замаскированных токенов и языковых задач на японском тексте.

1 464скачиваний за 30 дней8лайковвеса обновлены21 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

Это японская базовая модель RoBERTa, разработанная nlp-waseda и предварительно обученная на японской Википедии и японской части CC-100. Она предназначена для задачи masked language modeling: модель предсказывает скрытые токены в тексте и может использоваться как основа для языковых задач на японском языке.

Модель имеет плотную архитектуру RoBERTa с 137,8 млн параметров и контекстом до 514 токенов. Для токенизации использовались Juman++ 2.0.0-rc3 и SentencePiece; словарь содержит 32 000 токенов. Карточка сообщает о поддержке японской токенизации через BertJapaneseTokenizer, но отмечает, что токенизация больших наборов данных может быть медленной из-за отсутствия fast-токенизации. Модель распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • восстановление замаскированных слов в японском тексте
  • подготовка базовой модели для японских NLP-задач
  • создание признаков для последующей обработки японского текста

Ограничения

Токенизация больших наборов данных через BertJapaneseTokenizer может быть медленной, поскольку fast-токенизация не поддерживается. Контекст модели 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

nlp-waseda/roberta-base-japanese-with-auto-jumanpp

Model description

This is a Japanese RoBERTa base model pretrained on Japanese Wikipedia and the Japanese portion of CC-100.

How to use

You can use this model for masked language modeling as follows:

from transformers import AutoTokenizer, AutoModelForMaskedLM
tokenizer = AutoTokenizer.from_pretrained("nlp-waseda/roberta-base-japanese-with-auto-jumanpp")
model = AutoModelForMaskedLM.from_pretrained("nlp-waseda/roberta-base-japanese-with-auto-jumanpp")

sentence = '早稲田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

BertJapaneseTokenizer now supports automatic tokenization for Juman++. However, if your dataset is large, you may take a long time since BertJapaneseTokenizer still does not supoort fast tokenization. You can still do the Juman++ tokenization by your self and use the old model nlp-waseda/roberta-base-japanese.

Juman++ 2.0.0-rc3 was used for pretraining. Each word is tokenized into tokens by sentencepiece.

Vocabulary

The vocabulary consists of 32000 tokens including words (JumanDIC) and subwords induced by the unigram language model of sentencepiece.

Training procedure

This model was trained on Japanese Wikipedia (as of 20210920) and the Japanese portion of CC-100. It took a week using eight NVIDIA A100 GPUs.

The following hyperparameters were used during pretraining:

  • learning_rate: 1e-4
  • per_device_train_batch_size: 256
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 4096
  • max_seq_length: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • training_steps: 700000
  • warmup_steps: 10000
  • mixed_precision_training: Native AMP

Performance on JGLUE

See the Baseline Scores of JGLUE.

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
1d6ef46

0 моделей