Roberta TR Medium Bpe 16k

🚀 RoBERTa Turkish medium BPE 16k (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。事前学習のコーパスはOSCARのトルコ語部分で、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。

✨ 主な機能

• トルコ語に特化した事前学習モデルです。
• モデルアーキテクチャはbert - mediumに似ており、8層、8ヘッド、隠れ層のサイズは512です。
• トークン化アルゴリズムはBPEで、語彙サイズは16.7kです。

📦 インストール

このセクションでは、インストールに関する具体的なコマンドが元文書に記載されていないため、省略します。

💻 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。
model = AutoModel.from_pretrained([model_path])
#for sequence classification:
#model = AutoModelForSequenceClassification.from_pretrained([model_path], num_labels=[num_classes])

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

詳細と性能比較については、この論文を参照してください。 https://arxiv.org/abs/2204.08832

🔧 技術詳細

• モデルアーキテクチャはbert - mediumに似ており、8層、8ヘッド、隠れ層のサイズは512です。
• トークン化アルゴリズムはBPEで、語彙サイズは16.7kです。

📄 ライセンス

このモデルのライセンスはcc - by - nc - sa - 4.0です。

BibTeX entry and citation info

@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}
}