/ Модель

Характеристики

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

bert-base-japanese-char

Заполнение пропусковТекст → текст3 профессии

Базовая японская BERT-модель с посимвольной токенизацией для заполнения пропусков и построения систем обработки японского текста.

9 249скачиваний за 30 дней8лайковвеса 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

Это базовая японская модель BERT с токенизацией на уровне символов, разработанная группой cl-tohoku NLP. Она предварительно обучена на японских текстах Википедии и предназначена для заполнения пропусков в тексте и использования в качестве основы для задач обработки японского языка. Сначала текст разбирается морфологическим анализатором MeCab с IPA-словарём, затем токены делятся на символы; размер словаря составляет 4000.

Архитектура соответствует BERT base: 12 слоёв, размер скрытого представления 768 и 12 голов внимания; модель содержит около 116,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch, TensorFlow и Flax. Обучение выполнено на японской Википедии по состоянию на 1 сентября 2019 года. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • заполнение пропущенных слов в японском тексте
  • подготовка эмбеддингов японских текстов для дообучения
  • дообучение классификатора японских текстов
  • извлечение контекстных представлений японских предложений

Ограничения

Модель обучена на японской Википедии, поэтому её знания и стиль отражают этот источник и срез данных до сентября 2019 года. Для прикладных задач, отличных от заполнения пропусков, обычно требуется дополнительное дообучение.

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 (character tokenization)

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 character-level 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 characters. The vocabulary size is 4000.

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
53587f3

0 моделей