/ Модель

Характеристики

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

roberta-large-japanese-seq512

Заполнение пропусковТекст → текст3 профессии

Японская RoBERTa-large для восстановления замаскированных слов и фрагментов текста.

362скачиваний за 30 дней3лайкавеса 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

Языковая модель RoBERTa-large, выпущенная организацией nlp-waseda и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для заполнения замаскированных фрагментов текста и других сценариев masked language modeling, например восстановления пропущенного слова в японском предложении.

Модель содержит 435,4 млн параметров и принимает последовательности длиной до 512 токенов. Токенизатор использует словарь из 32 000 слов и подслов SentencePiece; при обычном использовании BertJapaneseTokenizer может автоматически выполнить сегментацию Juman++ и токенизацию. Модель работает с текстом на японском языке и опубликована в формате PyTorch.

Лицензия CC-BY-SA-4.0 требует соблюдения условий атрибуции и распространения производных материалов на условиях лицензии. Карточка не сообщает о специализированной предметной области или гарантиях качества; применение ограничено японским языком и задачами модели с маскированными токенами.

Сценарии применения

  • восстановление пропущенного слова в японском предложении
  • подстановка пропусков в японских текстах
  • оценка вариантов заполнения замаскированного фрагмента
  • эксперименты с японским masked language modeling

Ограничения

Модель ориентирована на японский язык и заполнение маскированных фрагментов; карточка не заявляет поддержку генерации текста в свободной форме или других языков. Для ручной предобработки требуется сегментация Juman++, хотя BertJapaneseTokenizer поддерживает автоматическую сегментацию.

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-seq512

Model description

This is a Japanese RoBERTa large model pretrained on Japanese Wikipedia and the Japanese portion of CC-100 with the maximum sequence length of 512.

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-seq512")
model = AutoModelForMaskedLM.from_pretrained("nlp-waseda/roberta-large-japanese-seq512")

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 from the checkpoint of nlp-waseda/roberta-large-japanese. It took a week using eight NVIDIA A100 GPUs.

The following hyperparameters were used during pretraining:

  • learning_rate: 6e-5
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 4120 (max_seq_length=128), 4032 (max_seq_length=512)
  • max_seq_length: 512
  • optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-6
  • lr_scheduler_type: linear
  • training_steps: 670000 (max_seq_length=128) + 70000 (max_seq_length=512)
  • warmup_steps: 10000
  • mixed_precision_training: Native AMP

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
e3ec7a1

0 моделей