Camembert Base

🚀 CamemBERT：美味的法语语言模型

CamemBERT 是一个基于 RoBERTa 模型的最先进的法语语言模型。它为法语自然语言处理任务提供了强大的支持，能够在多种应用场景中发挥出色的性能。

目前，CamemBERT 在 Hugging Face 上提供了 6 种不同版本，这些版本在参数数量、预训练数据量和预训练数据源领域等方面存在差异，用户可以根据自己的需求进行选择。

如需获取更多信息或提出请求，请访问 Camembert 官网。

✨ 主要特性

• 多版本选择：提供 6 种不同参数规模和预训练数据的版本，满足多样化的应用需求。
• 强大性能：基于 RoBERTa 架构，在法语自然语言处理任务上表现出色。
• 易于使用：与 Hugging Face 库集成，方便加载和使用。

📦 安装指南

文档中未提及具体安装步骤，若需使用 CamemBERT，可通过 Hugging Face 的 transformers 库进行安装，一般安装命令如下：

pip install transformers

💻 使用示例

基础用法

from transformers import CamembertModel, CamembertTokenizer

# 你可以将 "camembert-base" 替换为表格中的其他模型，例如 "camembert/camembert-large"。
tokenizer = CamembertTokenizer.from_pretrained("camembert/camembert-base-wikipedia-4gb")
camembert = CamembertModel.from_pretrained("camembert/camembert-base-wikipedia-4gb")

camembert.eval()  # 禁用 dropout（或保留训练模式以进行微调）

高级用法

填充掩码

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}]

从 Camembert 输出中提取上下文嵌入特征

import torch
# 使用 SentencePiece 进行子词分词
tokenized_sentence = tokenizer.tokenize("J'aime le camembert !")
# ['▁J', "'", 'aime', '▁le', '▁ca', 'member', 't', '▁!'] 

# 进行 one-hot 编码并添加特殊的起始和结束标记 
encoded_sentence = tokenizer.encode(tokenized_sentence)
# [5, 221, 10, 10600, 14, 8952, 10540, 75, 1114, 6]
# 注意：可以一步完成：tokenize.encode("J'aime le camembert !")

# 将标记作为 torch 张量输入到 Camembert 中（批次维度为 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],
#         ...,

从所有 Camembert 层中提取上下文嵌入特征

from transformers import CamembertConfig
# （需要使用新配置重新加载模型）
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 列表长度为 13（输入嵌入层 + 12 个自注意力层）
all_layer_embeddings[5]
# 第 5 层上下文嵌入：大小为 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],
#         ...,

📚 详细文档

预训练模型

🔧 技术细节

文档中未提供足够详细的技术实现细节。

📄 许可证

本项目采用 MIT 许可证。

👥 作者

CamemBERT 由 Louis Martin*、Benjamin Muller*、Pedro Javier Ortiz Suárez*、Yoann Dupont、Laurent Romary、Éric Villemonte de la Clergerie、Djamé Seddah 和 Benoît Sagot 进行训练和评估。

📖 引用

如果您使用了我们的工作，请引用以下文献：

@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}
}