Xlm Roberta Large

🚀 XLM-RoBERTa (大尺寸模型)

XLM-RoBERTa 是在包含100种语言的2.5TB过滤后的CommonCrawl数据上预训练的模型。它能学习100种语言的内部表示，可用于提取对下游任务有用的特征。

🚀 快速开始

XLM-RoBERTa 模型在包含100种语言的2.5TB过滤后的CommonCrawl数据上进行了预训练。它由Conneau等人在论文 Unsupervised Cross-lingual Representation Learning at Scale 中提出，并首次在 此仓库 中发布。

声明：发布 XLM-RoBERTa 的团队并未为此模型编写模型卡片，此模型卡片由 Hugging Face 团队编写。

✨ 主要特性

• 多语言支持：XLM-RoBERTa 是 RoBERTa 的多语言版本，在包含100种语言的数据上预训练。
• 自监督学习：以自监督的方式在大型语料库上进行预训练，使用掩码语言建模（MLM）目标，能够学习句子的双向表示。
• 特征提取：学习100种语言的内部表示，可用于提取对下游任务有用的特征。

📚 详细文档

模型描述

XLM-RoBERTa 是 RoBERTa 的多语言版本，它在包含100种语言的2.5TB过滤后的CommonCrawl数据上进行了预训练。

RoBERTa 是一个以自监督方式在大型语料库上预训练的Transformer模型。这意味着它仅在原始文本上进行预训练，没有人工以任何方式对其进行标注（这就是为什么它可以使用大量公开可用的数据），并且通过自动过程从这些文本中生成输入和标签。

更准确地说，它以掩码语言建模（MLM）为目标进行预训练。对于一个句子，模型会随机屏蔽输入中15%的单词，然后将整个屏蔽后的句子输入模型，并预测被屏蔽的单词。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会在内部屏蔽未来的标记。这种方式使模型能够学习句子的双向表示。

通过这种方式，模型学习到100种语言的内部表示，这些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，您可以使用 XLM-RoBERTa 模型生成的特征作为输入来训练一个标准分类器。

预期用途和限制

您可以使用原始模型进行掩码语言建模，但它主要用于在下游任务上进行微调。请参阅 模型中心 以查找针对您感兴趣的任务进行微调的版本。

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

💻 使用示例

基础用法

您可以直接使用此模型和一个用于掩码语言建模的管道：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='xlm-roberta-large')
>>> unmasker("Hello I'm a <mask> model.")

[{'score': 0.10563907772302628,
  'sequence': "Hello I'm a fashion model.",
  'token': 54543,
  'token_str': 'fashion'},
 {'score': 0.08015287667512894,
  'sequence': "Hello I'm a new model.",
  'token': 3525,
  'token_str': 'new'},
 {'score': 0.033413201570510864,
  'sequence': "Hello I'm a model model.",
  'token': 3299,
  'token_str': 'model'},
 {'score': 0.030217764899134636,
  'sequence': "Hello I'm a French model.",
  'token': 92265,
  'token_str': 'French'},
 {'score': 0.026436051353812218,
  'sequence': "Hello I'm a sexy model.",
  'token': 17473,
  'token_str': 'sexy'}]

高级用法

以下是如何在 PyTorch 中使用此模型获取给定文本的特征：

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained('xlm-roberta-large')
model = AutoModelForMaskedLM.from_pretrained("xlm-roberta-large")

# prepare input
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')

# forward pass
output = model(**encoded_input)

BibTeX 引用和引用信息

@article{DBLP:journals/corr/abs-1911-02116,
  author    = {Alexis Conneau and
               Kartikay Khandelwal and
               Naman Goyal and
               Vishrav Chaudhary and
               Guillaume Wenzek and
               Francisco Guzm{\'{a}}n and
               Edouard Grave and
               Myle Ott and
               Luke Zettlemoyer and
               Veselin Stoyanov},
  title     = {Unsupervised Cross-lingual Representation Learning at Scale},
  journal   = {CoRR},
  volume    = {abs/1911.02116},
  year      = {2019},
  url       = {http://arxiv.org/abs/1911.02116},
  eprinttype = {arXiv},
  eprint    = {1911.02116},
  timestamp = {Mon, 11 Nov 2019 18:38:09 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1911-02116.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

模型标签和语言支持

许可证

本模型使用 MIT 许可证。