Camembert Base

🚀 CamemBERT: 美味なフランス語言語モデル

CamemBERTは、RoBERTaモデルに基づく最先端のフランス語言語モデルです。

現在、Hugging Faceでは、パラメータ数、事前学習データの量、事前学習データのソースドメインが異なる6つの異なるバージョンで利用可能です。

詳細情報やリクエストについては、Camembertウェブサイトをご覧ください。

🚀 クイックスタート

このセクションでは、CamemBERTの基本的な使い方を説明します。

✨ 主な機能

CamemBERTは、RoBERTaモデルをベースにした最先端のフランス語言語モデルで、6種類の異なる事前学習モデルが提供されています。

📦 インストール

CamemBERTを使用するには、Hugging Faceのtransformersライブラリをインストールする必要があります。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

CamemBERTとサブワードトークナイザーの読み込み

from transformers import CamembertModel, CamembertTokenizer

# "camembert-base"を表の他のモデルで置き換えることができます。例: "camembert/camembert-large"。
tokenizer = CamembertTokenizer.from_pretrained("camembert/camembert-base-wikipedia-4gb")
camembert = CamembertModel.from_pretrained("camembert/camembert-base-wikipedia-4gb")

camembert.eval()  # ドロップアウトを無効にする (または微調整する場合はトレーニングモードのままにする)

パイプラインを使用したマスクの埋め込み

from transformers import pipeline 

camembert_fill_mask  = pipeline("fill-mask", model="camembert/camembert-base-wikipedia-4gb", tokenizer="camembert/camembert-base-wikipedia-4gb")
results = camembert_fill_mask("Le camembert est un fromage de <mask>!")
# results
#[{'sequence': '<s> Le camembert est un fromage de chèvre!</s>', 'score': 0.4937814474105835, 'token': 19370}, 
#{'sequence': '<s> Le camembert est un fromage de brebis!</s>', 'score': 0.06255942583084106, 'token': 30616}, 
#{'sequence': '<s> Le camembert est un fromage de montagne!</s>', 'score': 0.04340197145938873, 'token': 2364},
# {'sequence': '<s> Le camembert est un fromage de Noël!</s>', 'score': 0.02823255956172943, 'token': 3236}, 
#{'sequence': '<s> Le camembert est un fromage de vache!</s>', 'score': 0.021357402205467224, 'token': 12329}]

Camembertの出力から文脈的な埋め込み特徴を抽出する

import torch
# SentencePieceでサブワードにトークン化する
tokenized_sentence = tokenizer.tokenize("J'aime le camembert !")
# ['▁J', "'", 'aime', '▁le', '▁ca', 'member', 't', '▁!'] 

# 1-hotエンコードし、特別な開始と終了トークンを追加する
encoded_sentence = tokenizer.encode(tokenized_sentence)
# [5, 221, 10, 10600, 14, 8952, 10540, 75, 1114, 6]
# 注: 1ステップで実行できます: tokenize.encode("J'aime le camembert !")

# トークンをtorchテンソルとしてCamembertに入力する (バッチ次元1)
encoded_sentence = torch.tensor(encoded_sentence).unsqueeze(0)
embeddings, _ = camembert(encoded_sentence)
# embeddings.detach()
# embeddings.size torch.Size([1, 10, 768])
#tensor([[[-0.0928,  0.0506, -0.0094,  ..., -0.2388,  0.1177, -0.1302],
#         [ 0.0662,  0.1030, -0.2355,  ..., -0.4224, -0.0574, -0.2802],
#         [-0.0729,  0.0547,  0.0192,  ..., -0.1743,  0.0998, -0.2677],
#         ...,

すべてのCamembertレイヤーから文脈的な埋め込み特徴を抽出する

from transformers import CamembertConfig
# (新しい設定でモデルを再読み込みする必要があります)
config = CamembertConfig.from_pretrained("camembert/camembert-base-wikipedia-4gb", output_hidden_states=True)
camembert = CamembertModel.from_pretrained("camembert/camembert-base-wikipedia-4gb", config=config)

embeddings, _, all_layer_embeddings = camembert(encoded_sentence)
#  all_layer_embeddings list of len(all_layer_embeddings) == 13 (入力埋め込みレイヤー + 12個の自己注意レイヤー)
all_layer_embeddings[5]
# レイヤー5の文脈的な埋め込み: サイズ torch.Size([1, 10, 768])
#tensor([[[-0.0059, -0.0227,  0.0065,  ..., -0.0770,  0.0369,  0.0095],
#         [ 0.2838, -0.1531, -0.3642,  ..., -0.0027, -0.8502, -0.7914],
#         [-0.0073, -0.0338, -0.0011,  ...,  0.0533, -0.0250, -0.0061],
#         ...,

📚 ドキュメント

事前学習モデル

🔧 技術詳細

CamemBERTは、RoBERTaモデルに基づいており、フランス語のテキストデータを使用して事前学習されています。異なるバージョンは、パラメータ数、事前学習データの量、事前学習データのソースドメインが異なります。

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。

著者

CamemBERTは、Louis Martin*、Benjamin Muller*、Pedro Javier Ortiz Suárez*、Yoann Dupont、Laurent Romary、Éric Villemonte de la Clergerie、Djamé Seddah、Benoît Sagotによってトレーニングおよび評価されました。

引用

このモデルを使用する場合は、以下のように引用してください。

@inproceedings{martin2020camembert,
  title={CamemBERT: a Tasty French Language Model},
  author={Martin, Louis and Muller, Benjamin and Su{\'a}rez, Pedro Javier Ortiz and Dupont, Yoann and Romary, Laurent and de la Clergerie, {\'E}ric Villemonte and Seddah, Djam{\'e} and Sagot, Beno{\^\i}t},
  booktitle={Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics},
  year={2020}
}