/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

javanese-bert-small

Заполнение пропусковТекст → текст3 профессии

Дообученная на яванской Википедии BERT-модель для предсказания пропущенных слов и извлечения признаков из яванского текста.

119скачиваний за 30 дней0лайковвеса обновлены8 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

Javanese BERT Small — модель маскированного языкового моделирования на архитектуре BERT, обученная Уилсоном Вонгсо на яванских статьях Википедии. Она дообучена на яванском корпусе на основе предварительно обученной англоязычной BERT-модели Hugging Face и подходит для заполнения замаскированных слов и извлечения текстовых признаков.

Модель содержит около 136,7 млн параметров, принимает текст с контекстом до 512 токенов и поддерживает задачу fill-mask. В README приведена perplexity 22,00 на отложенной выборке. Модель доступна под лицензией MIT; веса представлены в форматах PyTorch, TensorFlow и Flax.

Сценарии применения

  • подбор вероятного слова вместо маски в яванском предложении
  • анализ контекста яванского текста
  • извлечение признаков из яванских документов

Ограничения

Обучение проводилось на статьях Википедии, поэтому модель может воспроизводить их смещения и не гарантирует фактическую точность генерируемого текста. В README приведена perplexity 22,00 на валидационной выборке.

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

Javanese BERT Small

Javanese BERT Small is a masked language model based on the BERT model. It was trained on the latest (late December 2020) Javanese Wikipedia articles.

The model was originally HuggingFace's pretrained English BERT model and is later fine-tuned on the Javanese dataset. It achieved a perplexity of 22.00 on the validation dataset (20% of the articles). Many of the techniques used are based on a Hugging Face tutorial notebook written by Sylvain Gugger, and fine-tuning tutorial notebook written by Pierre Guillou.

Hugging Face's Transformers library was used to train the model -- utilizing the base BERT model and their Trainer class. PyTorch was used as the backend framework during training, but the model remains compatible with TensorFlow nonetheless.

Model

Model#paramsArch.Training/Validation data (text)
javanese-bert-small110MBERT SmallJavanese Wikipedia (319 MB of text)

Evaluation Results

The model was trained for 5 epochs and the following is the final result once the training ended.

train lossvalid lossperplexitytotal time
3.1163.09122.002:7:42

How to Use

As Masked Language Model

from transformers import pipeline

pretrained_name = "w11wo/javanese-bert-small"

fill_mask = pipeline(
    "fill-mask",
    model=pretrained_name,
    tokenizer=pretrained_name
)

fill_mask("Aku mangan sate ing [MASK] bareng konco-konco")

Feature Extraction in PyTorch

from transformers import BertModel, BertTokenizerFast

pretrained_name = "w11wo/javanese-bert-small"
model = BertModel.from_pretrained(pretrained_name)
tokenizer = BertTokenizerFast.from_pretrained(pretrained_name)

prompt = "Indonesia minangka negara gedhe."
encoded_input = tokenizer(prompt, return_tensors='pt')
output = model(**encoded_input)

Disclaimer

Do remember that although the dataset originated from Wikipedia, the model may not always generate factual texts. Additionally, the biases which came from the Wikipedia articles may be carried over into the results of this model.

Author

Javanese BERT Small was trained and evaluated by Wilson Wongso. All computation and development are done on Google Colaboratory using their free GPU access.

Citation

If you use any of our models in your research, please cite:

@inproceedings{wongso2021causal,
    title={Causal and Masked Language Modeling of Javanese Language using Transformer-based Architectures},
    author={Wongso, Wilson and Setiawan, David Samuel and Suhartono, Derwin},
    booktitle={2021 International Conference on Advanced Computer Science and Information Systems (ICACSIS)},
    pages={1--7},
    year={2021},
    organization={IEEE}
}

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
9b74645

0 моделей