Xlm Roberta Large Finetuned Conll03 German

🚀 xlm-roberta-large-finetuned-conll03-german

本項目是一個基於XLM - RoBERTa的多語言模型，在德語的CoNLL - 2003數據集上進行了微調，可用於令牌分類等自然語言理解任務。

🚀 快速開始

使用以下代碼開始使用該模型，你可以在命名實體識別（NER）的管道中直接使用此模型。

>>> from transformers import AutoTokenizer, AutoModelForTokenClassification
>>> from transformers import pipeline
>>> tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-large-finetuned-conll03-german")
>>> model = AutoModelForTokenClassification.from_pretrained("xlm-roberta-large-finetuned-conll03-german")
>>> classifier = pipeline("ner", model=model, tokenizer=tokenizer)
>>> classifier("Bayern München ist wieder alleiniger Top-Favorit auf den Gewinn der deutschen Fußball-Meisterschaft.")

[{'end': 6,
  'entity': 'I-ORG',
  'index': 1,
  'score': 0.99999166,
  'start': 0,
  'word': '▁Bayern'},
 {'end': 14,
  'entity': 'I-ORG',
  'index': 2,
  'score': 0.999987,
  'start': 7,
  'word': '▁München'},
 {'end': 77,
  'entity': 'I-MISC',
  'index': 16,
  'score': 0.9999728,
  'start': 68,
  'word': '▁deutschen'}]

✨ 主要特性

• 多語言支持：XLM - RoBERTa是在100種不同語言上訓練的多語言模型。
• 特定任務微調：該模型在德語的CoNLL - 2003數據集上進行了微調，適用於德語的令牌分類任務。
• 應用廣泛：可用於命名實體識別（NER）和詞性標註（PoS）等下游任務。

📚 詳細文檔

模型詳情

模型描述

XLM - RoBERTa模型由Alexis Conneau、Kartikay Khandelwal等人在論文Unsupervised Cross - lingual Representation Learning at Scale中提出，它基於Facebook在2019年發佈的RoBERTa模型，是一個大型多語言模型，在2.5TB過濾後的CommonCrawl數據上進行訓練。此模型是[XLM - RoBERTa - large](https://huggingface.co/xlm - roberta - large)在德語的conll2003數據集上微調得到的。

用途

直接使用

該模型是一個語言模型，可用於令牌分類，這是一種自然語言理解任務，為文本中的某些令牌分配標籤。

下游使用

潛在的下游用例包括命名實體識別（NER）和詞性標註（PoS）。要了解更多關於令牌分類和其他潛在下游用例的信息，請參閱Hugging Face的[令牌分類文檔](https://huggingface.co/tasks/token - classification)。

超出範圍的使用

該模型不應被用於故意為人們創造敵對或疏遠的環境。

偏差、風險和侷限性

⚠️ 重要提示

讀者應該意識到，該模型生成的語言可能會讓一些人感到不安或冒犯，並且可能會傳播歷史和當前的刻板印象。

大量研究已經探討了語言模型的偏差和公平性問題（例如，見[Sheng等人（2021）](https://aclanthology.org/2021.acl - long.330.pdf)和Bender等人（2021））。

建議

用戶（直接用戶和下游用戶）應該瞭解該模型的風險、偏差和侷限性。

訓練

有關訓練數據和訓練過程的詳細信息，請參閱以下資源：

• [XLM - RoBERTa - large模型卡片](https://huggingface.co/xlm - roberta - large)
• CoNLL - 2003數據卡片
• 相關論文

評估

有關評估的詳細信息，請參閱相關論文。

環境影響

可以使用Lacoste等人（2019）中提出的機器學習影響計算器來估算碳排放。

技術規格

更多詳細信息請參閱相關論文。

引用

BibTeX

@article{conneau2019unsupervised,
  title={Unsupervised Cross-lingual Representation Learning at Scale},
  author={Conneau, Alexis and Khandelwal, Kartikay and Goyal, Naman and Chaudhary, Vishrav and Wenzek, Guillaume and Guzm{\'a}n, Francisco and Grave, Edouard and Ott, Myle and Zettlemoyer, Luke and Stoyanov, Veselin},
  journal={arXiv preprint arXiv:1911.02116},
  year={2019}
}

APA

• Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzmán, F., ... & Stoyanov, V. (2019). Unsupervised cross - lingual representation learning at scale. arXiv preprint arXiv:1911.02116.

模型卡片作者

此模型卡片由Hugging Face團隊編寫。