Roberta TR Medium Morph 44k

🚀 RoBERTa Turkish medium Morph-level 44k (uncased)

このモデルは、マスク言語モデリング（MLM）の目的でトルコ語に対して事前学習されたモデルです。大文字小文字を区別しません。事前学習コーパスはOSCARのトルコ語セグメントで、さらにフィルタリングとクリーニングが行われています。

🚀 クイックスタート

このモデルは、マスク言語モデリング（MLM）の目的でトルコ語に対して事前学習されています。大文字小文字を区別しないモデルで、事前学習コーパスはOSCARのトルコ語セグメントをさらにフィルタリングとクリーニングしたものです。

✨ 主な機能

• トルコ語に特化した事前学習モデルで、マスク言語モデリング（MLM）を使用して学習されています。
• モデルアーキテクチャはbert - mediumに似ており、8層、8ヘッド、隠れ層サイズ512です。
• トークン化アルゴリズムは形態素レベルで、トルコ語の形態素解析器（Zemberek）に基づいてテキストを分割します。語彙サイズは43.6kです。

📦 インストール

このモデルのインストールに関する具体的な手順は提供されていません。

💻 使用例

基本的な使用法

以下のコードは、モデルの読み込みとトークン化に使用できます。例の最大長（514）は変更可能です。

# モデルの読み込み
model = AutoModel.from_pretrained([model_path])
# シーケンス分類の場合:
#model = AutoModelForSequenceClassification.from_pretrained([model_path], num_labels=[num_classes])

# トークナイザーの設定
tokenizer = PreTrainedTokenizerFast(tokenizer_file=[file_path])
tokenizer.mask_token = "[MASK]"
tokenizer.cls_token = "[CLS]"
tokenizer.sep_token = "[SEP]"
tokenizer.pad_token = "[PAD]"
tokenizer.unk_token = "[UNK]"
tokenizer.bos_token = "[CLS]"
tokenizer.eos_token = "[SEP]"
tokenizer.model_max_length = 514

📚 ドキュメント

注意事項

⚠️ 重要提示

このモデルは実行前に前処理ステップが必要です。トークナイザーファイルは形態素解析器ではないため、テストデータセットをトークナイザーファイルで形態素に分割することはできません。ユーザーは評価を実行する前に、任意のテストデータセットをトルコ語の形態素解析器（この場合はZemberek）で処理する必要があります。

詳細と性能比較

詳細と性能比較はこの論文で確認できます: https://arxiv.org/abs/2204.08832

BibTeXエントリと引用情報

@misc{https://doi.org/10.48550/arxiv.2204.08832,
  doi = {10.48550/ARXIV.2204.08832},
  url = {https://arxiv.org/abs/2204.08832},
  author = {Toraman, Cagri and Yilmaz, Eyup Halit and Şahinuç, Furkan and Ozcelik, Oguzhan},
  keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Impact of Tokenization on Language Models: An Analysis for Turkish},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution Non Commercial Share Alike 4.0 International}
}

📄 ライセンス

このモデルはCC - BY - NC - SA - 4.0ライセンスの下で提供されています。

情報テーブル