Flaubert Small Cased

🚀 FlauBERT: フランス語向けの教師なし言語モデルの事前学習

FlauBERT は、非常に大規模かつ多様なフランス語コーパスで学習されたフランス語版のBERTです。異なるサイズのモデルが、新しいCNRS（フランス国立科学研究センター）の Jean Zay スーパーコンピュータを使用して学習されています。

FlauBERTとともに FLUE が提供されています。これは、人気のあるGLUEベンチマークに似たフランス語の自然言語処理システムの評価セットアップです。その目的は、将来的に再現可能な実験を可能にし、フランス語に関するモデルと進歩を共有することです。詳細については 公式ウェブサイト を参照してください。

✨ 主な機能

📦 FlauBERTモデル

⚠️ 重要提示

flaubert-small-cased は部分的に学習されているため、性能は保証されません。デバッグ目的でのみ使用することを検討してください。

💻 使用例

基本的な使用法

import torch
from transformers import FlaubertModel, FlaubertTokenizer

# Choose among ['flaubert/flaubert_small_cased', 'flaubert/flaubert_base_uncased', 
#               'flaubert/flaubert_base_cased', 'flaubert/flaubert_large_cased']
modelname = 'flaubert/flaubert_base_cased' 

# Load pretrained model and tokenizer
flaubert, log = FlaubertModel.from_pretrained(modelname, output_loading_info=True)
flaubert_tokenizer = FlaubertTokenizer.from_pretrained(modelname, do_lowercase=False)
# do_lowercase=False if using cased models, True if using uncased ones

sentence = "Le chat mange une pomme."
token_ids = torch.tensor([flaubert_tokenizer.encode(sentence)])

last_layer = flaubert(token_ids)[0]
print(last_layer.shape)
# torch.Size([1, 8, 768])  -> (batch size x number of tokens x embedding dimension)

# The BERT [CLS] token correspond to the first hidden state of the last layer
cls_embedding = last_layer[:, 0, :]

⚠️ 重要提示

もしあなたの transformers バージョンが <=2.10.0 の場合、modelname は以下の値のいずれかを取る必要があります。

['flaubert-small-cased', 'flaubert-base-uncased', 'flaubert-base-cased', 'flaubert-large-cased']

📚 ドキュメント

参考文献

もしあなたが科学的な出版物でFlauBERTまたはFLUEベンチマークを使用する場合、またはこのリポジトリのリソースが役に立った場合、以下の論文のいずれかを引用してください。

LREC論文

@InProceedings{le2020flaubert,
  author    = {Le, Hang  and  Vial, Lo\"{i}c  and  Frej, Jibril  and  Segonne, Vincent  and  Coavoux, Maximin  and  Lecouteux, Benjamin  and  Allauzen, Alexandre  and  Crabb\'{e}, Beno\^{i}t  and  Besacier, Laurent  and  Schwab, Didier},
  title     = {FlauBERT: Unsupervised Language Model Pre-training for French},
  booktitle = {Proceedings of The 12th Language Resources and Evaluation Conference},
  month     = {May},
  year      = {2020},
  address   = {Marseille, France},
  publisher = {European Language Resources Association},
  pages     = {2479--2490},
  url       = {https://www.aclweb.org/anthology/2020.lrec-1.302}
}

TALN論文

@inproceedings{le2020flaubert,
  title         = {FlauBERT: des mod{\`e}les de langue contextualis{\'e}s pr{\'e}-entra{\^\i}n{\'e}s pour le fran{\c{c}}ais},
  author        = {Le, Hang and Vial, Lo{\"\i}c and Frej, Jibril and Segonne, Vincent and Coavoux, Maximin and Lecouteux, Benjamin and Allauzen, Alexandre and Crabb{\'e}, Beno{\^\i}t and Besacier, Laurent and Schwab, Didier},
  booktitle     = {Actes de la 6e conf{\'e}rence conjointe Journ{\'e}es d'{\'E}tudes sur la Parole (JEP, 31e {\'e}dition), Traitement Automatique des Langues Naturelles (TALN, 27e {\'e}dition), Rencontre des {\'E}tudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (R{\'E}CITAL, 22e {\'e}dition). Volume 2: Traitement Automatique des Langues Naturelles},
  pages         = {268--278},
  year          = {2020},
  organization  = {ATALA}
}

📄 ライセンス

このプロジェクトはMITライセンスの下で提供されています。