/ Модель

Характеристики

Контекст
512 токенов
Параметры
49,9 млн
Архитектура
bert · dense
Опубликована
29 июл 2023

turkish-medium-bert-uncased

Заполнение пропусковТекст → текст3 профессии

Компактная турецкая BERT-модель для предсказания замаскированных слов и получения контекстных представлений текста.

93скачиваний за 30 дней7лайковвеса обновлены27 дек 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

ytu-ce-cosmos/turkish-medium-bert-uncased — компактная модель BERT для турецкого языка, разработанная для заполнения пробелов в линейке небольших турецких BERT-моделей. Она предназначена прежде всего для предсказания замаскированных токенов в тексте и может использоваться как основа для задач, которым нужны контекстные представления турецкого текста. Модель имеет архитектуру BERT с примерно 49,9 млн параметров и контекстом до 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow.

Модель без учёта регистра, однако перед токенизацией текст требуется вручную преобразовывать в нижний регистр с учётом турецкой буквы I: `text.replace("I", "ı").lower()`. В README отмечен известный дефект токенизатора: параметр `do_lower_case=True` использовать не следует. Обучение преимущественно на собранных из интернета данных может приводить к предвзятым предсказаниям. Лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание пропущенного слова в турецком предложении
  • подбор вероятного токена для маски в турецком тексте
  • получение контекстных представлений турецкого текста для последующих задач NLP

Ограничения

Перед токенизацией нужно вручную привести текст к нижнему регистру с преобразованием I в ı; `do_lower_case=True` не рекомендуется из-за известной проблемы токенизатора. Обучение преимущественно на собранных из интернета текстах может приводить к предвзятым предсказаниям.

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

turkish-medium-bert-uncased

This is a Turkish Medium uncased BERT model, developed to fill the gap for small-sized BERT models for Turkish. Since this model is uncased: it does not make a difference between turkish and Turkish.

⚠ Uncased use requires manual lowercase conversion

Don't use the do_lower_case = True flag with the tokenizer. Instead, convert your text to lower case as follows:

text.replace("I", "ı").lower()

This is due to a known issue with the tokenizer.

Be aware that this model may exhibit biased predictions as it was trained primarily on crawled data, which inherently can contain various biases.

Other relevant information can be found in the paper.

Example Usage

from transformers import AutoTokenizer, BertForMaskedLM
from transformers import pipeline

model = BertForMaskedLM.from_pretrained("ytu-ce-cosmos/turkish-medium-bert-uncased")
# or
# model = BertForMaskedLM.from_pretrained("ytu-ce-cosmos/turkish-medium-bert-uncased", from_tf = True)

tokenizer = AutoTokenizer.from_pretrained("ytu-ce-cosmos/turkish-medium-bert-uncased")

unmasker = pipeline('fill-mask', model=model, tokenizer=tokenizer)
unmasker("gelirken bir litre [MASK] aldım.")
[{'score': 0.6158884763717651,
  'token': 11818,
  'token_str': 'benzin',
  'sequence': 'gelirken bir litre benzin aldım.'},
 {'score': 0.1580735594034195,
  'token': 2417,
  'token_str': 'su',
  'sequence': 'gelirken bir litre su aldım.'},
 {'score': 0.07746931910514832,
  'token': 29480,
  'token_str': 'mazot',
  'sequence': 'gelirken bir litre mazot aldım.'},
 {'score': 0.0339476652443409,
  'token': 4521,
  'token_str': 'süt',
  'sequence': 'gelirken bir litre süt aldım.'},
 {'score': 0.021608062088489532,
  'token': 7279,
  'token_str': 'alkol',
  'sequence': 'gelirken bir litre alkol aldım.'}]

Acknowledgments

  • Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC). Thanks for providing access to the TFRC ❤️
  • Thanks to the generous support from the Hugging Face team, it is possible to download models from their S3 storage 🤗

Citations

@article{kesgin2023developing,
  title={Developing and Evaluating Tiny to Medium-Sized Turkish BERT Models},
  author={Kesgin, Himmet Toprak and Yuce, Muzaffer Kaan and Amasyali, Mehmet Fatih},
  journal={arXiv preprint arXiv:2307.14134},
  year={2023}
}

License

MIT

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
BertForPreTraining
Ревизия весов
b64f895

0 моделей