/ Модель

Характеристики

Контекст
512 токенов
Параметры
126 млн
Архитектура
bert · dense

KR-BERT-char16424

Языковая модель3 профессии

Предварительно обученная корейская BERT-модель с символьным словарём для понимания текста и адаптации к задачам классификации.

319скачиваний за 30 дней10лайковвеса обновлены22 ноя 2021

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

KR-BERT-char16424 — корейская предварительно обученная языковая модель семейства BERT, разработанная лабораторией вычислительной лингвистики Сеульского национального университета. Репозиторий содержит вариант KR-BERT с символьным словарём из 16 424 токенов; для токенизации используется BidirectionalWordPiece, который выбирает более частотный вариант разбиения, полученный при обходе в обоих направлениях. Модель имеет около 125,9 млн параметров и контекст до 512 токенов; доступны веса PyTorch и Flax.

Модель предназначена для задач понимания корейского текста и последующей адаптации к прикладным задачам, например анализу тональности и классификации. В статье авторы сообщают о результатах на уровне или выше сопоставимых корейских и многоязычных BERT-моделей. Для данного символьного варианта в README приведена точность masked language modeling 0,779 в сравнительной таблице. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • классификация корейских текстов
  • анализ тональности корейских отзывов
  • дообучение для классификации корейских документов

Ограничения

Это базовая предварительно обученная модель, поэтому для конкретной классификационной задачи её обычно требуется дообучить. Предоставленные материалы не содержат сведений о лицензии.

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

KoRean based Bert pre-trained (KR-BERT)

This is a release of Korean-specific, small-scale BERT models with comparable or better performances developed by Computational Linguistics Lab at Seoul National University, referenced in KR-BERT: A Small-Scale Korean-Specific Language Model.

Vocab, Parameters and Data

Mulitlingual BERT(Google)KorBERT(ETRI)KoBERT(SKT)KR-BERT characterKR-BERT sub-character
vocab size119,54730,7978,00216,42412,367
parameter size167,356,416109,973,39192,186,88099,265,06696,145,233
data size-(The Wikipedia datafor 104 languages)23GB4.7B morphemes-(25M sentences,233M words)2.47GB20M sentences,233M words2.47GB20M sentences,233M words
ModelMasked LM Accuracy
KoBERT0.750
KR-BERT character BidirectionalWordPiece0.779
KR-BERT sub-character BidirectionalWordPiece0.769

Sub-character

Korean text is basically represented with Hangul syllable characters, which can be decomposed into sub-characters, or graphemes. To accommodate such characteristics, we trained a new vocabulary and BERT model on two different representations of a corpus: syllable characters and sub-characters.

In case of using our sub-character model, you should preprocess your data with the code below.

import torch
from transformers import BertConfig, BertModel, BertForPreTraining, BertTokenizer
from unicodedata import normalize

tokenizer_krbert = BertTokenizer.from_pretrained('/path/to/vocab_file.txt', do_lower_case=False)

# convert a string into sub-char
def to_subchar(string):
    return normalize('NFKD', string)

sentence = '토크나이저 예시입니다.'
print(tokenizer_krbert.tokenize(to_subchar(sentence)))

Tokenization

BidirectionalWordPiece Tokenizer

We use the BidirectionalWordPiece model to reduce search costs while maintaining the possibility of choice. This model applies BPE in both forward and backward directions to obtain two candidates and chooses the one that has a higher frequency.

Mulitlingual BERTKorBERTcharacterKoBERTKR-BERTcharacterWordPieceKR-BERTcharacterBidirectionalWordPieceKR-BERTsub-characterWordPieceKR-BERTsub-characterBidirectionalWordPiece
냉장고nayngcangko"refrigerator"냉#장#고nayng#cang#ko냉#장#고nayng#cang#ko냉#장#고nayng#cang#ko냉장고nayngcangko냉장고nayngcangko냉장고nayngcangko냉장고nayngcangko
춥다chwupta"cold"[UNK]춥#다chwup#ta춥#다chwup#ta춥#다chwup#ta춥#다chwup#ta추#ㅂ다chwu#pta추#ㅂ다chwu#pta
뱃사람paytsalam"seaman"[UNK]뱃#사람payt#salam뱃#사람payt#salam뱃#사람payt#salam뱃#사람payt#salam배#ㅅ#사람pay#t#salam배#ㅅ#사람pay#t#salam
마이크maikhu"microphone"마#이#크ma#i#khu마이#크mai#khu마#이#크ma#i#khu마이크maikhu마이크maikhu마이크maikhu마이크maikhu

Models

TensorFlowPyTorch
charactersub-charactercharactersub-character
WordPiece tokenizerWP charWP subcharWP charWP subchar
Bidirectional WordPiece tokenizerBiWP charBiWP subcharBiWP charBiWP subchar

Requirements

  • transformers == 2.1.1
  • tensorflow < 2.0

Downstream tasks

Naver Sentiment Movie Corpus (NSMC)

  • If you want to use the sub-character version of our models, let the subchar argument be True.

  • And you can use the original BERT WordPiece tokenizer by entering bert for the tokenizer argument, and if you use ranked you can use our BidirectionalWordPiece tokenizer.

  • tensorflow: After downloading our pretrained models, put them in a models directory in the krbert_tensorflow directory.

  • pytorch: After downloading our pretrained models, put them in a pretrained directory in the krbert_pytorch directory.

# pytorch
python3 train.py --subchar {True, False} --tokenizer {bert, ranked}

# tensorflow
python3 run_classifier.py \
  --task_name=NSMC \
  --subchar={True, False} \
  --tokenizer={bert, ranked} \
  --do_train=true \
  --do_eval=true \
  --do_predict=true \
  --do_lower_case=False\
  --max_seq_length=128 \
  --train_batch_size=128 \
  --learning_rate=5e-05 \
  --num_train_epochs=5.0 \
  --output_dir={output_dir}

The pytorch code structure refers to that of https://github.com/aisolab/nlp_implementation .

NSMC Acc.

multilingual BERTKorBERTKoBERTKR-BERT character WordPieceKR-BERTcharacter Bidirectional WordPieceKR-BERT sub-character WordPieceKR-BERTsub-character Bidirectional WordPiece
pytorch-89.8489.0189.3489.3889.2089.34
tensorflow87.0885.94n/a89.8690.1089.7689.86

Citation

If you use these models, please cite the following paper:

@article{lee2020krbert,
    title={KR-BERT: A Small-Scale Korean-Specific Language Model},
    author={Sangah Lee and Hansol Jang and Yunmee Baik and Suzi Park and Hyopil Shin},
    year={2020},
    journal={ArXiv},
    volume={abs/2008.03979}
  }

Contacts

nlp.snu@gmail.com

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов
4752196

0 моделей