/ Модель

Характеристики

Контекст
514 токенов
Параметры
435 млн
Лицензия
CC BY-SA 4.0
Архитектура
roberta · dense
Опубликована
10 мая 2022

roberta-large-japanese

Заполнение пропусковТекст → текст3 профессии

Большая японская модель RoBERTa для восстановления замаскированных фрагментов текста и задач masked language modeling.

421скачиваний за 30 дней23лайкавеса 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

nlp-waseda/roberta-large-japanese — большая японская модель RoBERTa, разработанная Waseda NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для восстановления замаскированных фрагментов текста и других сценариев masked language modeling, а также может служить основой для последующей адаптации к задачам обработки японского языка.

Модель использует архитектуру RobertaForMaskedLM, содержит 435,4 млн параметров и поддерживает контекст до 514 токенов. Словарь включает 32 000 токенов; текст сегментируется на слова с помощью Juman++ и затем токенизируется SentencePiece. Токенизатор Transformers может автоматически выполнять эту предобработку. Модель принимает и выдаёт текст на японском языке.

Модель опубликована на условиях лицензии CC BY-SA 4.0. В README приведена ссылка на результаты на JGLUE, но конкретные оценки не указаны.

Сценарии применения

  • восстановление пропущенных слов в японском тексте
  • подстановка токенов на место маски в японских предложениях
  • оценка языковых представлений японских текстов
  • дообучение для задач обработки японского языка

Ограничения

Контекст ограничен 514 токенами; модель предварительно обучена на японских текстах, поэтому её применение к другим языкам не подтверждено. Для ручной предобработки требуется сегментация слов через Juman++, хотя токенизатор Transformers поддерживает автоматическую обработку.

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-large-japanese

Model description

This is a Japanese RoBERTa large 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-large-japanese")
model = AutoModelForMaskedLM.from_pretrained("nlp-waseda/roberta-large-japanese")

sentence = '早稲田 大学 で 自然 言語 処理 を [MASK] する 。' # input should be segmented into words by Juman++ in advance
encoding = tokenizer(sentence, return_tensors='pt')
...

You can fine-tune this model on downstream tasks.

Tokenization

The input text should be segmented into words by Juman++ in advance. Juman++ 2.0.0-rc3 was used for pretraining. Each word is tokenized into tokens by sentencepiece.

BertJapaneseTokenizer now supports automatic JumanppTokenizer and SentencepieceTokenizer. You can use this model without any data preprocessing.

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 two weeks using eight NVIDIA A100 GPUs.

The following hyperparameters were used during pretraining:

  • learning_rate: 6e-5
  • per_device_train_batch_size: 103
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 5
  • total_train_batch_size: 4120
  • max_seq_length: 128
  • optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-6
  • lr_scheduler_type: linear
  • training_steps: 670000
  • 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
3fc01ce

0 моделей