Herbert Large Cased

🚀 HerBERT

HerBERT 是一個基於 BERT 的語言模型，它使用掩碼語言建模（MLM）和句子結構目標（SSO），通過對整個單詞進行動態掩碼，在波蘭語語料庫上進行訓練。欲瞭解更多詳情，請參考：HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish。該模型的訓練和實驗是使用版本為 2.9 的 transformers 庫完成的。

✨ 主要特性

• 基於 BERT 架構，在波蘭語語料庫上進行訓練。
• 使用掩碼語言建模（MLM）和句子結構目標（SSO），並對整個單詞進行動態掩碼。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 transformers 庫的安裝說明。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("allegro/herbert-large-cased")
model = AutoModel.from_pretrained("allegro/herbert-large-cased")

output = model(
    **tokenizer.batch_encode_plus(
        [
            (
                "A potem szedł środkiem drogi w kurzawie, bo zamiatał nogami, ślepy dziad prowadzony przez tłustego kundla na sznurku.",
                "A potem leciał od lasu chłopak z butelką, ale ten ujrzawszy księdza przy drodze okrążył go z dala i biegł na przełaj pól do karczmy."
            )
        ],
    padding='longest',
    add_special_tokens=True,
    return_tensors='pt'
    )
)

📚 詳細文檔

語料庫

HerBERT 在六種不同的波蘭語語料庫上進行訓練：

分詞器

訓練數據集使用字符級字節對編碼（CharBPETokenizer）將其分詞為子詞，詞彙量大小為 50k 個詞元。分詞器本身是使用 tokenizers 庫進行訓練的。

我們強烈建議您使用分詞器的 Fast 版本，即 HerbertTokenizerFast。

📄 許可證

CC BY 4.0

🔖 引用

如果您使用此模型，請引用以下論文：

@inproceedings{mroczkowski-etal-2021-herbert,
    title = "{H}er{BERT}: Efficiently Pretrained Transformer-based Language Model for {P}olish",
    author = "Mroczkowski, Robert  and
      Rybak, Piotr  and
      Wr{\'o}blewska, Alina  and
      Gawlik, Ireneusz",
    booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
    month = apr,
    year = "2021",
    address = "Kiyv, Ukraine",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.bsnlp-1.1",
    pages = "1--10",
}

👥 作者

該模型由 Machine Learning Research Team at Allegro 和 Linguistic Engineering Group at Institute of Computer Science, Polish Academy of Sciences 訓練。

您可以通過 klejbenchmark@allegro.pl 與我們聯繫。