/ Модель

Характеристики

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

roberta-large-japanese-seq512-with-auto-jumanpp

Заполнение пропусковТекст → текст3 профессии

Японская RoBERTa-large для восстановления замаскированных токенов и работы с пропусками в японском тексте.

196скачиваний за 30 дней5лайковвеса 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 крупная японская модель RoBERTa от nlp-waseda, предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для masked language modeling: модель восстанавливает замаскированные токены в тексте и может использоваться для анализа японских текстов с подстановкой пропусков.

Модель содержит 435,4 млн параметров и рассчитана на последовательности длиной до 512 токенов; в метаданных указано нативное контекстное окно 514 токенов. Токенизация использует Juman++ и SentencePiece с 32 000 токенов словаря. Карточка указывает, что токенизатор BertJapaneseTokenizer поддерживает автоматическую токенизацию Juman++, но обработка больших наборов данных может быть медленной из-за отсутствия быстрой токенизации. Модель распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • восстановление пропущенных слов в японском тексте
  • подстановка маскированных токенов в предложении
  • оценка вариантов продолжения японской фразы
  • создание признаков для экспериментов с японским языковым моделированием

Ограничения

Автоматическая токенизация через BertJapaneseTokenizer может быть медленной на больших наборах данных. Модель обучена на японских корпусах и предназначена для японского текста.

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-with-auto-jumanpp

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

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 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
d0eec08

0 моделей