/ Модель

Характеристики

Контекст
512 токенов
Параметры
436 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense

bert-large-japanese

Заполнение пропусковТекст → текст3 профессии

Японская модель BERT Large для заполнения пропусков и извлечения контекстных представлений из текста.

1 001скачиваний за 30 дней9лайковвеса обновлены23 сен 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

tohoku-nlp/bert-large-japanese — японская языковая модель BERT, разработанная группой Tohoku NLP и предварительно обученная на японской Википедии. Она предназначена для заполнения пропусков и других задач, основанных на контекстных представлениях текста.

Модель имеет 24 слоя, размер скрытых состояний 1024 и 16 голов внимания; число параметров — 436,2 млн. Текст сначала сегментируется морфологически с использованием словаря Unidic 2.1.2, затем разбивается на подслова WordPiece. Словарь содержит 32 768 единиц, контекст — до 512 токенов. При обучении задачи masked language modeling использовалось маскирование целых слов. Доступны версии весов PyTorch, TensorFlow и Flax.

Модель обучена на японской Википедии, поэтому лучше всего подходит для японского текста общего характера. Для использования с языками и предметными областями, отличными от обучающих данных, качество не гарантируется. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • подстановка пропущенных слов в японском тексте
  • оценка контекстной уместности японских слов
  • получение представлений японских предложений для последующей классификации
  • адаптация к задачам анализа японского текста

Ограничения

Обучение проводилось на японской Википедии, поэтому модель может хуже работать на других языках, специализированных текстах и данных вне этого домена. Контекст ограничен 512 токенами.

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 large Japanese (unidic-lite with whole word masking, jawiki-20200831)

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 Unidic 2.1.2 dictionary (available in unidic-lite package), 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 large model; 24 layers, 1024 dimensions of hidden states, and 16 attention heads.

Training Data

The models are trained on the Japanese version of Wikipedia. The training corpus is generated from the Wikipedia Cirrussearch dump file as of August 31, 2020.

The generated corpus files are 4.0GB in total, containing approximately 30M sentences. We used the MeCab morphological parser with mecab-ipadic-NEologd dictionary to split texts into sentences.

Tokenization

The texts are first tokenized by MeCab with the Unidic 2.1.2 dictionary and then split into subwords by the WordPiece algorithm. The vocabulary size is 32768.

We used fugashi and unidic-lite packages for the tokenization.

Training

The models are trained with the same configuration as the original BERT; 512 tokens per instance, 256 instances per batch, and 1M training steps. For training of the MLM (masked language modeling) objective, we introduced whole word masking in which all of the subword tokens corresponding to a single word (tokenized by MeCab) are masked at once.

For training of each model, we used a v3-8 instance of Cloud TPUs provided by TensorFlow Research Cloud program. The training took about 5 days to finish.

Licenses

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

Acknowledgments

This model is trained with 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
0f5fc4d

0 моделей