Bert Base Arabic Camelbert Da

🚀 CAMeLBERT：用于阿拉伯语自然语言处理任务的预训练模型集合

CAMeLBERT 是一系列针对阿拉伯语文本进行预训练的 BERT 模型，具有不同的规模和变体。我们发布了针对现代标准阿拉伯语（MSA）、方言阿拉伯语（DA）和古典阿拉伯语（CA）的预训练语言模型，此外还有一个基于这三种语言混合数据进行预训练的模型。我们还提供了在缩减规模的 MSA 变体数据集（二分之一、四分之一、八分之一和十六分之一）上预训练的额外模型。详细内容可参考论文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models"。

📄 许可证

本项目采用 apache-2.0 许可证。

🚀 快速开始

本模型卡片介绍了 CAMeLBERT - DA (bert-base-arabic-camelbert-da)，这是一个在方言阿拉伯语（DA）数据集上预训练的模型。

✨ 主要特性

• 提供多种阿拉伯语变体的预训练模型，包括现代标准阿拉伯语、方言阿拉伯语和古典阿拉伯语。
• 有不同规模的模型可供选择，以满足不同的需求。
• 可用于多种自然语言处理任务，如命名实体识别、词性标注、情感分析等。

📦 安装指南

要下载我们的模型，你需要 transformers>=3.5.0。否则，你可以手动下载模型。

💻 使用示例

基础用法

你可以直接使用这个模型进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='CAMeL-Lab/bert-base-arabic-camelbert-da')
>>> unmasker("الهدف من الحياة هو [MASK] .")
[{'sequence': '[CLS] الهدف من الحياة هو.. [SEP]',
  'score': 0.062508225440979,
  'token': 18,
  'token_str': '.'},
 {'sequence': '[CLS] الهدف من الحياة هو الموت. [SEP]',
  'score': 0.033172328025102615,
  'token': 4295,
  'token_str': 'الموت'},
 {'sequence': '[CLS] الهدف من الحياة هو الحياة. [SEP]',
  'score': 0.029575437307357788,
  'token': 3696,
  'token_str': 'الحياة'},
 {'sequence': '[CLS] الهدف من الحياة هو الرحيل. [SEP]',
  'score': 0.02724040113389492,
  'token': 11449,
  'token_str': 'الرحيل'},
 {'sequence': '[CLS] الهدف من الحياة هو الحب. [SEP]',
  'score': 0.01564178802073002,
  'token': 3088,
  'token_str': 'الحب'}]

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 AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-da')
model = AutoModel.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-da')
text = "مرحبا يا عالم."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在 TensorFlow 中的使用方法如下：

from transformers import AutoTokenizer, TFAutoModel
tokenizer = AutoTokenizer.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-da')
model = TFAutoModel.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-da')
text = "مرحبا يا عالم."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 详细文档

模型信息

模型变体

预期用途

你可以使用发布的模型进行掩码语言建模或下一句预测。不过，该模型主要用于在自然语言处理任务上进行微调，如命名实体识别（NER）、词性标注（POS）、情感分析、方言识别和诗歌分类。我们在 这里 发布了微调代码。

训练过程

我们使用 Google 发布的 原始实现 进行预训练。除非另有说明，我们遵循原始英文 BERT 模型的超参数进行预训练。

预处理

• 从每个语料库中提取原始文本后，我们进行以下预处理步骤：
  • 首先，使用 原始 BERT 实现 提供的工具移除无效字符并规范化空格。
  • 移除没有任何阿拉伯字符的行。
  • 使用 CAMeL Tools 移除变音符号和 kashida。
  • 最后，使用基于启发式的句子分割器将每行分割成句子。
  • 使用 HuggingFace 的 tokenizers 在整个数据集（167GB 文本）上训练一个词汇量为 30,000 的 WordPiece 分词器。
  • 我们不将字母小写，也不去除重音。

预训练

• 模型在单个云 TPU (v3 - 8) 上总共训练了一百万步。
• 前 90,000 步的批量大小为 1,024，其余步骤的批量大小为 256。
• 90% 的步骤中序列长度限制为 128 个标记，其余 10% 为 512 个标记。
• 我们使用全词掩码和重复因子为 10。
• 对于最大序列长度为 128 个标记的数据集，每个序列的最大预测数设置为 20；对于最大序列长度为 512 个标记的数据集，设置为 80。
• 我们使用随机种子 12345，掩码语言模型概率为 0.15，短序列概率为 0.1。
• 使用的优化器是 Adam，学习率为 1e - 4，\(\beta_{1} = 0.9\)，\(\beta_{2} = 0.999\)，权重衰减为 0.01，学习率在 10,000 步内预热，之后线性衰减。

评估结果

• 我们在五个自然语言处理任务上评估预训练语言模型：命名实体识别（NER）、词性标注（POS）、情感分析、方言识别和诗歌分类。
• 使用 12 个数据集对模型进行微调并评估。
• 使用 Hugging Face 的 transformers 库对 CAMeLBERT 模型进行微调。
• 使用 transformers v3.1.0 和 PyTorch v1.5.1。
• 微调通过在最后一个隐藏状态添加一个全连接线性层来完成。
• 所有任务均使用 \(F_{1}\) 分数作为评估指标。
• 微调代码可在 这里 获取。

具体结果

平均结果

[1]: 变体平均指的是对同一语言变体的一组任务进行平均。

🔧 技术细节

本研究得到了 Google 的 TensorFlow 研究云（TFRC）提供的云 TPU 支持。

引用

@inproceedings{inoue-etal-2021-interplay,
    title = "The Interplay of Variant, Size, and Task Type in {A}rabic Pre-trained Language Models",
    author = "Inoue, Go  and
      Alhafni, Bashar  and
      Baimukan, Nurpeiis  and
      Bouamor, Houda  and
      Habash, Nizar",
    booktitle = "Proceedings of the Sixth Arabic Natural Language Processing Workshop",
    month = apr,
    year = "2021",
    address = "Kyiv, Ukraine (Online)",
    publisher = "Association for Computational Linguistics",
    abstract = "In this paper, we explore the effects of language variants, data sizes, and fine-tuning task types in Arabic pre-trained language models. To do so, we build three pre-trained language models across three variants of Arabic: Modern Standard Arabic (MSA), dialectal Arabic, and classical Arabic, in addition to a fourth language model which is pre-trained on a mix of the three. We also examine the importance of pre-training data size by building additional models that are pre-trained on a scaled-down set of the MSA variant. We compare our different models to each other, as well as to eight publicly available models by fine-tuning them on five NLP tasks spanning 12 datasets. Our results suggest that the variant proximity of pre-training data to fine-tuning data is more important than the pre-training data size. We exploit this insight in defining an optimized system selection model for the studied tasks.",
}