/ Модель

Характеристики

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

bert-base-japanese-whole-word-masking

Заполнение пропусковТекст → текст3 профессии

Японская BERT base модель с whole word masking для заполнения пропусков и других задач понимания японского текста.

354 тыс.скачиваний за 30 дней76лайковвеса 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

BERT base Japanese Whole Word Masking — это японская предварительно обученная модель семейства BERT, разработанная командой Tohoku NLP. Она использует архитектуру BERT base с 12 слоями, скрытым размером 768 и 12 головами внимания; всего 137,8 млн параметров. Для токенизации применяется морфологический анализатор MeCab со словарём IPA, затем WordPiece с размером словаря 32 000. Модель обучена предсказывать замаскированные токены, причём при whole word masking маскируются сразу все части одного слова.

Модель предназначена для заполнения пропусков в японском тексте и может служить базой для задач понимания японского языка. Обучение проводилось на японской Википедии по состоянию на 1 сентября 2019 года; максимальная длина входа составляет 512 токенов. Доступны версии весов для PyTorch, TensorFlow и JAX/Flax.

Модель распространяется по лицензии CC BY-SA 4.0. Она обучена только на японской Википедии, поэтому может хуже работать с текстами других языков, жанров и предметных областей; её контекст ограничен 512 токенами.

Сценарии применения

  • восстановление замаскированных слов в японском тексте
  • подготовка эмбеддингов для японских текстов
  • дообучение для классификации японских текстов
  • адаптация для задач понимания японского языка

Ограничения

Обучение выполнено на японской Википедии, поэтому качество может снижаться на других языках, жанрах и предметных областях. Максимальная длина контекста — 512 токенов.

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, whole word masking enabled)

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. Additionally, the model is trained with the whole word masking enabled for the masked language modeling (MLM) objective.

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.

For the training of the MLM (masked language modeling) objective, we introduced the Whole Word Masking in which all of the subword tokens corresponding to a single word (tokenized by MeCab) are masked at once.

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
861c1ef

0 моделей