Flaubert Large Cased

🚀 FlauBERT：面向法語的無監督語言模型預訓練

FlauBERT 是一個在超大規模且多樣化的法語語料庫上訓練的法語BERT模型。不同規模的模型藉助法國國家科學研究中心（CNRS）的 讓·扎伊 超級計算機進行訓練。

與FlauBERT一同推出的還有 FLUE：這是一個用於法語自然語言處理系統的評估框架，類似於廣受歡迎的GLUE基準測試。其目標是在未來推動更多可復現的實驗，並促進法語語言模型和研究進展的共享。更多詳情請參考 官方網站。

✨ 主要特性

• 基於大規模且多樣化的法語語料庫進行訓練，能更好地適應法語語言特點。
• 提供不同規模的模型，可根據具體需求選擇。
• 配套有專門的法語評估框架FLUE，方便進行模型評估。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫（如Hugging Face的Transformers）的官方安裝說明進行安裝。

💻 使用示例

基礎用法

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, :]

版本說明

⚠️ 重要提示

如果你的 transformers 版本 <=2.10.0，modelname 應取以下值之一：

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

📚 詳細文檔

FlauBERT模型

⚠️ 重要提示

flaubert-small-cased 是部分訓練的模型，其性能無法保證，建議僅用於調試目的。

📄 許可證

本項目採用MIT許可證。

📖 參考文獻

如果你在科學出版物中使用了FlauBERT或FLUE基準測試，或者發現本倉庫中的資源很有用，請引用以下論文之一：

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}
}