/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-base-japanese

Заполнение пропусковТекст → текст3 профессии

Базовая японская BERT-модель для предсказания замаскированных токенов и адаптации к задачам обработки японского текста.

65 336скачиваний за 30 дней42лайкавеса обновлены22 фев 2024

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

tohoku-nlp разработала эту базовую японскую BERT-модель, предварительно обученную на текстах японской Википедии. Она предназначена для задач с замаскированными токенами: модель предсказывает скрытые фрагменты текста и может служить основой для дальнейшей адаптации к другим задачам обработки японского языка.

Архитектура соответствует BERT base: 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; всего около 137,8 млн параметров. Текст токенизируется морфологическим анализатором MeCab со словарём IPA, затем применяется WordPiece со словарём из 32 000 единиц. Максимальная длина входа — 512 токенов. Доступны версии весов для PyTorch, TensorFlow и Flax.

Модель обучена на японской Википедии по состоянию на 1 сентября 2019 года, поэтому её знания ограничены этим корпусом и датой. Она рассчитана на японский язык и не является специализированной моделью для прикладной области. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • предсказание пропущенных слов в японском тексте
  • восстановление замаскированных фрагментов японских предложений
  • получение исходной модели для дообучения на классификацию японского текста

Ограничения

Обучающая выборка ограничена японской Википедией по состоянию на сентябрь 2019 года. Токенизация и модель рассчитаны на японский язык; применение к другим языкам не заявлено.

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

BERT base Japanese (IPA dictionary)

This is a BERT model pretrained on texts in the Japanese language.

This version of the model processes input texts with word-level tokenization based on the IPA dictionary, followed by the WordPiece subword tokenization.

The codes for the pretraining are available at cl-tohoku/bert-japanese.

Model architecture

The model architecture is the same as the original BERT base model; 12 layers, 768 dimensions of hidden states, and 12 attention heads.

Training Data

The model is trained on Japanese Wikipedia as of September 1, 2019. To generate the training corpus, WikiExtractor is used to extract plain texts from a dump file of Wikipedia articles. The text files used for the training are 2.6GB in size, consisting of approximately 17M sentences.

Tokenization

The texts are first tokenized by MeCab morphological parser with the IPA dictionary and then split into subwords by the WordPiece algorithm. The vocabulary size is 32000.

Training

The model is trained with the same configuration as the original BERT; 512 tokens per instance, 256 instances per batch, and 1M training steps.

Licenses

The pretrained models are distributed under the terms of the Creative Commons Attribution-ShareAlike 3.0.

Acknowledgments

For training models, we used Cloud TPUs provided by TensorFlow Research Cloud program.

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
BertForMaskedLM
Ревизия весов
32fc253

0 моделей