French Albert Base Cased

🚀 FrALBERT Base Cased

FrALBERT Base Cased是一个基于法语的预训练模型，采用掩码语言建模（MLM）目标进行训练。该模型与其他ALBERT模型不同，它区分大小写，能够区分“french”和“French”。更多关于该模型的详细信息请参考此处。

🚀 快速开始

FrALBERT是一个以自监督方式在16GB法语维基百科数据上进行预训练的Transformer模型。这意味着它仅在原始文本上进行预训练，没有人工进行任何标注（这也是它可以使用大量公开可用数据的原因），并通过自动流程从这些文本中生成输入和标签。具体来说，它通过两个目标进行预训练：

• 掩码语言建模（MLM）：对于一个句子，模型会随机掩码输入中15%的单词，然后将整个掩码后的句子输入模型，并预测被掩码的单词。这与传统的循环神经网络（RNN）不同，RNN通常是逐个处理单词，也与像GPT这样的自回归模型不同，GPT会在内部掩码未来的标记。这种方式使模型能够学习句子的双向表示。
• 句子顺序预测（SOP）：FrALBERT使用基于预测两个连续文本片段顺序的预训练损失。

通过这种方式，模型学习到法语的内部表示，可用于提取对下游任务有用的特征。例如，如果您有一个带标签的句子数据集，可以使用FrALBERT模型生成的特征作为输入，训练一个标准分类器。

✨ 主要特性

FrALBERT的特别之处在于它在Transformer中共享层，因此所有层具有相同的权重。使用重复层可以减少内存占用，但计算成本与具有相同隐藏层数的BERT架构相似，因为它需要遍历相同数量的（重复）层。

这是基础模型的第二个版本，该模型具有以下配置：

💻 使用示例

基础用法

您可以直接使用该模型进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='cservan/french-albert-base-cased')
>>> unmasker("Paris est la capitale de la  [MASK] .")
[
  {
    "sequence": "paris est la capitale de la france.",
    "score": 0.6231236457824707,
    "token": 3043,
    "token_str": "france"
  },
  {
    "sequence": "paris est la capitale de la region.",
    "score": 0.2993471622467041,
    "token": 10531,
    "token_str": "region"
  },
  {
    "sequence": "paris est la capitale de la societe.",
    "score": 0.02028230018913746,
    "token": 24622,
    "token_str": "societe"
  },
  {
    "sequence": "paris est la capitale de la bretagne.",
    "score": 0.012089950032532215,
    "token": 24987,
    "token_str": "bretagne"
  },
  {
    "sequence": "paris est la capitale de la chine.",
    "score": 0.010002839379012585,
    "token": 14860,
    "token_str": "chine"
  }
]

高级用法

以下是如何在PyTorch中使用该模型获取给定文本的特征：

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('cservan/french-albert-base-cased')
model = AlbertModel.from_pretrained("cservan/french-albert-base-cased")
text = "Remplacez-moi par le texte en français que vous souhaitez."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中使用：

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('cservan/french-albert-base-cased')
model = TFAlbertModel.from_pretrained("cservan/french-albert-base-cased")
text = "Remplacez-moi par le texte en français que vous souhaitez."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 详细文档

预期用途与限制

您可以将原始模型用于掩码语言建模或下一句预测，但它主要用于在下游任务上进行微调。您可以在模型中心查找针对您感兴趣的任务进行微调的版本。

请注意，该模型主要旨在针对使用整个句子（可能是掩码后的句子）进行决策的任务进行微调，例如序列分类、标记分类或问答任务。对于文本生成等任务，您应该考虑使用像GPT2这样的模型。

训练数据

FrALBERT模型在4GB的法语维基百科（不包括列表、表格和标题）上进行预训练。

训练过程

预处理

文本先转换为小写，然后使用SentencePiece进行分词，词汇表大小为32,000。模型的输入形式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]

训练

FrALBERT的训练过程遵循BERT的设置。

每个句子的掩码过程细节如下：

• 15%的标记被掩码。
• 80%的情况下，被掩码的标记被替换为[MASK]。
• 10%的情况下，被掩码的标记被替换为一个与原标记不同的随机标记。
• 10%的情况下，被掩码的标记保持不变。

评估结果

在下游任务上进行微调时，ALBERT模型取得了以下结果：

槽填充：

BibTeX引用和引用信息

@inproceedings{cattan2021fralbert,
  author    = {Oralie Cattan and
               Christophe Servan and
               Sophie Rosset},
  booktitle = {Recent Advances in Natural Language Processing, RANLP 2021},
  title     = {{On the Usability of Transformers-based models for a French Question-Answering task}},
  year      = {2021},
  address   = {Online},
  month     = sep,
}

论文链接：PDF

📄 许可证

本项目采用Apache-2.0许可证。