Xlm Roberta Xxl

🚀 XLM-RoBERTa-XL（超大型模型）

XLM-RoBERTa-XL 模型在包含 100 種語言的 2.5TB 過濾後的 CommonCrawl 數據上進行了預訓練。該模型由 Naman Goyal、Jingfei Du、Myle Ott、Giri Anantharaman、Alexis Conneau 等人在論文 Larger-Scale Transformers for Multilingual Masked Language Modeling 中提出，並首次在 此倉庫 發佈。

聲明：發佈 XLM-RoBERTa-XL 的團隊並未為此模型撰寫模型卡片，本模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

• 多語言支持：支持多達 100 種語言，包括英語、中文、法語、德語等。
• 大規模預訓練：在 2.5TB 的過濾後 CommonCrawl 數據上進行預訓練，學習到豐富的語言知識。
• 雙向表示學習：採用掩碼語言模型（MLM）目標進行預訓練，能夠學習句子的雙向表示。

📚 詳細文檔

模型描述

XLM-RoBERTa-XL 是 RoBERTa 的超大型多語言版本，在包含 100 種語言的 2.5TB 過濾後的 CommonCrawl 數據上進行預訓練。

RoBERTa 是一種以自監督方式在大型語料庫上進行預訓練的 Transformer 模型。這意味著它僅在原始文本上進行預訓練，無需人工進行任何標註（因此可以使用大量公開可用的數據），並通過自動過程從這些文本中生成輸入和標籤。

更準確地說，它以掩碼語言模型（MLM）為目標進行預訓練。對於一個句子，模型會隨機掩碼輸入中 15% 的單詞，然後將整個掩碼後的句子輸入模型，並預測被掩碼的單詞。這與傳統的循環神經網絡（RNN）不同，RNN 通常逐個處理單詞；也與像 GPT 這樣的自迴歸模型不同，GPT 會在內部掩碼未來的標記。這種方式使模型能夠學習句子的雙向表示。

通過這種方式，模型學習到 100 種語言的內部表示，這些表示可用於提取對下游任務有用的特徵：例如，如果您有一個標註好的句子數據集，您可以使用 XLM-RoBERTa-XL 模型生成的特徵作為輸入，訓練一個標準的分類器。

預期用途和限制

您可以使用原始模型進行掩碼語言建模，但它主要用於在下游任務上進行微調。請查看 模型中心，查找針對您感興趣的任務進行微調後的版本。

請注意，此模型主要旨在針對使用整個句子（可能是掩碼後的句子）進行決策的任務進行微調，例如序列分類、標記分類或問答任務。對於文本生成等任務，您應該考慮使用像 GPT2 這樣的模型。

💻 使用示例

基礎用法

您可以直接使用此模型進行掩碼語言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='facebook/xlm-roberta-xxl')
>>> unmasker("Europe is a <mask> continent.")

[{'score': 0.22996895015239716,
  'token': 28811,
  'token_str': 'European',
  'sequence': 'Europe is a European continent.'},
 {'score': 0.14307449758052826,
  'token': 21334,
  'token_str': 'large',
  'sequence': 'Europe is a large continent.'},
 {'score': 0.12239163368940353,
  'token': 19336,
  'token_str': 'small',
  'sequence': 'Europe is a small continent.'},
 {'score': 0.07025063782930374,
  'token': 18410,
  'token_str': 'vast',
  'sequence': 'Europe is a vast continent.'},
 {'score': 0.032869212329387665,
  'token': 6957,
  'token_str': 'big',
  'sequence': 'Europe is a big continent.'}]

高級用法

以下是如何在 PyTorch 中使用此模型獲取給定文本的特徵：

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained('facebook/xlm-roberta-xxl')
model = AutoModelForMaskedLM.from_pretrained("facebook/xlm-roberta-xxl")

# prepare input
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')

# forward pass
output = model(**encoded_input)

BibTeX 引用和引用信息

@article{DBLP:journals/corr/abs-2105-00572,
  author    = {Naman Goyal and
               Jingfei Du and
               Myle Ott and
               Giri Anantharaman and
               Alexis Conneau},
  title     = {Larger-Scale Transformers for Multilingual Masked Language Modeling},
  journal   = {CoRR},
  volume    = {abs/2105.00572},
  year      = {2021},
  url       = {https://arxiv.org/abs/2105.00572},
  eprinttype = {arXiv},
  eprint    = {2105.00572},
  timestamp = {Wed, 12 May 2021 15:54:31 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2105-00572.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本模型採用 MIT 許可證。