Flaubert Large Cased

🚀 FlauBERT：面向法语的无监督语言模型预训练

FlauBERT 是一个在超大规模且多样化的法语语料库上训练的法语BERT模型。不同规模的模型借助法国国家科学研究中心（CNRS）的 让·扎伊 超级计算机进行训练。

与FlauBERT一同推出的还有 FLUE：这是一个用于法语自然语言处理系统的评估框架，类似于广受欢迎的GLUE基准测试。其目标是在未来推动更多可复现的实验，并促进法语语言模型和研究进展的共享。更多详情请参考 官方网站。

✨ 主要特性

• 基于大规模且多样化的法语语料库进行训练，能更好地适应法语语言特点。
• 提供不同规模的模型，可根据具体需求选择。
• 配套有专门的法语评估框架FLUE，方便进行模型评估。

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库（如Hugging Face的Transformers）的官方安装说明进行安装。

💻 使用示例

基础用法

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, :]

版本说明

⚠️ 重要提示

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

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

📚 详细文档

FlauBERT模型

⚠️ 重要提示

flaubert-small-cased 是部分训练的模型，其性能无法保证，建议仅用于调试目的。

📄 许可证

本项目采用MIT许可证。

📖 参考文献

如果你在科学出版物中使用了FlauBERT或FLUE基准测试，或者发现本仓库中的资源很有用，请引用以下论文之一：

LREC论文

@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论文

@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}
}