Ruperta Base

🚀 RuPERTa: スペイン語版のRoBERTa 🎃

RuPERTa-base (uncased) は、RoBERTaモデル であり、大規模なスペイン語コーパス の uncased 版で学習されています。 RoBERTaは、BERTの事前学習手順を改善しており、より長い時間、より大きなバッチでより多くのデータを使ってモデルを学習させ、次文予測の目的を削除し、より長いシーケンスで学習し、学習データに適用するマスキングパターンを動的に変更します。 アーキテクチャは roberta-base と同じです。

roberta.base: RoBERTa は BERT-baseアーキテクチャ125M パラメータを使用しています。

🚀 クイックスタート

RuPERTa-base (uncased) は、スペイン語の大規模コーパスで学習されたRoBERTaモデルです。以下のセクションでは、このモデルのベンチマークと使用例を紹介します。

🧾 ベンチマーク

作業中 (引き続き作業を行っています) 🚧

タスク/データセット	F1	精度	再現率	微調整済みモデル	再現方法
POS	97.39	97.47	97.32	RuPERTa-base-finetuned-pos
NER	77.55	75.53	79.68	RuPERTa-base-finetuned-ner
SQUAD-es v1	未実施			RuPERTa-base-finetuned-squadv1
SQUAD-es v2	未実施			RuPERTa-base-finetuned-squadv2

💻 使用例

基本的な使用法

POSとNERの使用法 🏷

import torch
from transformers import AutoModelForTokenClassification, AutoTokenizer

id2label = {
    "0": "B-LOC",
    "1": "B-MISC",
    "2": "B-ORG",
    "3": "B-PER",
    "4": "I-LOC",
    "5": "I-MISC",
    "6": "I-ORG",
    "7": "I-PER",
    "8": "O"
}

tokenizer = AutoTokenizer.from_pretrained('mrm8488/RuPERTa-base-finetuned-ner')
model = AutoModelForTokenClassification.from_pretrained('mrm8488/RuPERTa-base-finetuned-ner')

text ="Julien, CEO de HF, nació en Francia."

input_ids = torch.tensor(tokenizer.encode(text)).unsqueeze(0)

outputs = model(input_ids)
last_hidden_states = outputs[0]

for m in last_hidden_states:
  for index, n in enumerate(m):
    if(index > 0 and index <= len(text.split(" "))):
      print(text.split(" ")[index-1] + ": " + id2label[str(torch.argmax(n).item())])

# 出力:
'''
Julien,: I-PER
CEO: O
de: O
HF,: B-ORG
nació: I-PER
en: I-PER
Francia.: I-LOC
'''

POS の場合は、id2label 辞書とモデルパスを mrm8488/RuPERTa-base-finetuned-pos に変更してください。

pipelines を使用した言語モデルの高速使用法 🧪

from transformers import AutoModelWithLMHead, AutoTokenizer
model = AutoModelWithLMHead.from_pretrained('mrm8488/RuPERTa-base')
tokenizer = AutoTokenizer.from_pretrained("mrm8488/RuPERTa-base", do_lower_case=True)

from transformers import pipeline

pipeline_fill_mask = pipeline("fill-mask", model=model, tokenizer=tokenizer)

pipeline_fill_mask("España es un país muy <mask> en la UE")

[
  {
    "score": 0.1814306527376175,
    "sequence": "<s> españa es un país muy importante en la ue</s>",
    "token": 1560
  },
  {
    "score": 0.024842597544193268,
    "sequence": "<s> españa es un país muy fuerte en la ue</s>",
    "token": 2854
  },
  {
    "score": 0.02473250962793827,
    "sequence": "<s> españa es un país muy pequeño en la ue</s>",
    "token": 2948
  },
  {
    "score": 0.023991240188479424,
    "sequence": "<s> españa es un país muy antiguo en la ue</s>",
    "token": 5240
  },
  {
    "score": 0.0215945765376091,
    "sequence": "<s> españa es un país muy popular en la ue</s>",
    "token": 5782
  }
]

📄 謝辞

🤗/transformersチーム に質問に答えていただき、Googleに TensorFlow Research Cloud プログラムでの支援をいただき、感謝しています。

作成者: Manuel Romero/@mrm8488

スペインで ♥ を込めて作成