/ Модель

Характеристики

Контекст
512 токенов
Параметры
436 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
19 мая 2023

bert-large-japanese-v2

Языковая модель7 профессий

Предварительно обученная японская BERT Large для понимания текста и дообучения под задачи обработки японского языка.

67 053скачиваний за 30 дней14лайковвеса обновлены19 мая 2023

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 large Japanese v2 — языковая модель, разработанная командой Tohoku NLP и предварительно обученная на японских текстах из CC-100 и японской Википедии. Она предназначена для построения систем понимания японского языка и дообучения под задачи классификации, извлечения информации и другие задачи обработки текста.

Модель основана на архитектуре BERT Large: 24 слоя, размер скрытого представления 1024, 16 голов внимания и около 436,2 млн параметров. Тексты токенизируются с помощью MeCab и словаря Unidic 2.1.2, затем разбиваются на WordPiece-токены; словарь содержит 32 768 токенов. При предварительном обучении применялась маскировка целых слов. Контекст ограничен 512 токенами; доступны веса PyTorch, TensorFlow и Flax.

Модель рассчитана на японский язык и подходит как базовый чекпойнт для последующей адаптации. Это предварительно обученная модель BERT, а не готовый генеративный чат-ассистент. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • Дообучение классификатора японских текстов
  • Извлечение сущностей из японских документов
  • Построение систем анализа тональности на японском языке
  • Получение контекстных представлений японского текста для NLP
  • Дообучение модели для задач понимания японского языка

Ограничения

Контекст ограничен 512 токенами. Это базовая модель предварительного обучения: для прикладных задач обычно требуется дообучение, а сама модель не является готовым чат-ассистентом.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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, CC-100 and jawiki-20230102)

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 model is trained on the Japanese portion of CC-100 dataset and the Japanese version of Wikipedia. For Wikipedia, we generated a text corpus from the Wikipedia Cirrussearch dump file as of January 2, 2023. The corpus files generated from CC-100 and Wikipedia are 74.3GB and 4.9GB in size and consist of approximately 392M and 34M sentences, respectively.

For the purpose of splitting texts into sentences, we used fugashi with mecab-ipadic-NEologd dictionary (v0.0.7).

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

We trained the model first on the CC-100 corpus for 1M steps and then on the Wikipedia corpus for another 1M 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 TPU Research Cloud.

Licenses

The pretrained models are distributed under the Apache License 2.0.

Acknowledgments

This model is trained with Cloud TPUs provided by TPU Research Cloud program.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
BertForPreTraining
Ревизия весов
75b8280

0 моделей