/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
roberta · dense
Опубликована
2 мар 2022

roberta-base-latin-cased

Заполнение пропусковТекст → текст3 профессии

RoBERTa-модель для латинского языка, предназначенная для заполнения пропусков и оценки результатов распознавания рукописного текста.

259скачиваний за 30 дней1лайквеса обновлены13 авг 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 языковая модель RoBERTa для латинского языка, опубликованная пользователем pstroe. Она предназначена для заполнения пропусков в тексте и оценки результатов распознавания рукописного текста (HTR); автор также предлагает использовать её как декодер для архитектуры TrOCR.

Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она обучалась на корпусе латинских текстов объёмом около 390 млн токенов, полученном из латинской части CC-100 после очистки и нормализации. Максимальный контекст составляет 514 токенов. Репозиторий содержит веса PyTorch.

Модель подходит для языкового моделирования латинских текстов и поддержки экспериментов с распознаванием рукописей. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Заполнение пропущенных слов в латинском тексте
  • Оценка качества распознавания латинских рукописей
  • Использование языковой модели как декодера TrOCR
  • Эксперименты с языковым моделированием латинских текстов

Ограничения

Модель ориентирована на латинские тексты и не заявлена как универсальная многоязычная модель. В предоставленных данных не указаны лицензия и результаты сравнительных оценок качества.

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

RoBERTa Latin model

This is a Latin RoBERTa-based LM model.

The data it uses is the same as has been used to compute the text referenced HTR evaluation measures.

The intention of the Transformer-based LM is twofold: on the one hand, it will be used for the evaluation of HTR results, on the other, it should be used as a decoder for the TrOCR architecture.

The basis for the word unigram and character n-gram computations is the Latin part of the cc100 corpus.

The overall corpus contains 2.5G of text data.

Preprocessing

I undertook the following preprocessing steps:

  • Removal of all "pseudo-Latin" text ("Lorem ipsum ...").
  • Use of CLTK for sentence splitting and normalisation.
  • Retaining only lines containing letters of the Latin alphabet, numerals, and certain punctuation (--> grep -P '^[A-z0-9ÄÖÜäöüÆæŒœᵫĀāūōŌ.,;:?!\- Ęę]+$' la.nolorem.tok.txt
  • deduplication of the corpus

The result is a corpus of ~390 million tokens.

The dataset used to train this model is available HERE.

Contact

For contact, reach out to Phillip Ströbel via mail or via Twitter.

How to cite

If you use this model, pleas cite it as:

@online{stroebel-roberta-base-latin-cased1,
    author = {Ströbel, Phillip Benjamin},
    title = {RoBERTa Base Latin Cased V1},
    year = 2022,
    url = {https://huggingface.co/pstroe/roberta-base-latin-cased},
    urldate = {YYYY-MM-DD}
}

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
0f5e1a9

0 моделей