Maltberta

🚀 MaltBERTa - 马耳他语预训练语言模型

MaltBERTa 是一个基于马耳他语文本训练的大型预训练语言模型。它使用 RoBERTa 架构从头开始训练，是 MaCoCu 项目的一部分。主要开发者是来自格罗宁根大学的 Rik van Noord。该模型在 32 亿字节（相当于 4.39 亿个标记）的文本上进行了训练，训练步数为 100,000，批次大小为 1,024。

✨ 主要特性

• 基于 RoBERTa 架构从头开始训练，专为马耳他语设计。
• 在多个基准测试中表现出色，可与其他多语言模型相媲美。

📦 安装指南

本模型的使用依赖于 transformers 库，你可以使用以下命令进行安装：

pip install transformers

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModel, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("RVN/MaltBERTa")
model = AutoModel.from_pretrained("RVN/MaltBERTa") # PyTorch
model = TFAutoModel.from_pretrained("RVN/MaltBERTa") # Tensorflow

📚 详细文档

模型描述

MaltBERTa 是一个在马耳他语文本上训练的大型预训练语言模型。它使用 RoBERTa 架构从头开始训练，是 MaCoCu 项目的一部分。主要开发者是来自格罗宁根大学的 Rik van Noord。该模型在 3.2GB 的文本上进行了训练，相当于 439M 个标记。训练步数为 100,000，批次大小为 1,024。训练和微调过程的详细信息可在我们的 Github 仓库 中找到。

数据

在训练过程中，我们使用了 MaCoCu、Oscar 和 mc4 语料库中的所有马耳他语数据。经过去重处理后，我们得到了总共 3.2GB 的文本。我们进行了仅使用来自 Oscar 和 mc4 中 .mt 域名数据的实验，但发现结合所有数据能获得更好的性能。

基准测试性能

我们在 Universal Dependencies 项目的 UPOS 和 XPOS 基准测试中测试了 MaltBERTa 的性能。此外，我们还在 Google 翻译版本的 COPA 数据集上进行了测试（详情请参阅我们的 Github 仓库）。我们将其性能与强大的多语言模型 XLMR-base 和 XLMR-large 进行了比较，需要注意的是，马耳他语并非这些模型的训练语言之一。我们还与最近推出的马耳他语模型 BERTu、mBERTu 和我们自己的 MaltBERTa 进行了比较。有关微调过程的详细信息，请查看我们的 Github。

🔧 技术细节

MaltBERTa 使用 RoBERTa 架构进行训练，训练数据来自多个语料库。训练过程中，模型在 3.2GB 的文本上进行了 100,000 步的训练，批次大小为 1,024。详细的训练和微调过程可在我们的 Github 仓库 中找到。

📄 许可证

本项目采用 CC0-1.0 许可证。

📖 致谢

本研究得到了 Google 的 TPU 研究云（TRC）的 Cloud TPU 支持。作者们获得了欧盟连接欧洲设施 2014 - 2020 - CEF 电信的资助，资助协议编号为 INEA/CEF/ICT/A2020/2278341（MaCoCu）。

📜 引用

如果您使用此模型，请引用以下论文：

@inproceedings{non-etal-2022-macocu,
    title = "{M}a{C}o{C}u: Massive collection and curation of monolingual and bilingual data: focus on under-resourced languages",
    author = "Ba{\~n}{\'o}n, Marta  and
      Espl{\`a}-Gomis, Miquel  and
      Forcada, Mikel L.  and
      Garc{\'\i}a-Romero, Cristian  and
      Kuzman, Taja  and
      Ljube{\v{s}}i{\'c}, Nikola  and
      van Noord, Rik  and
      Sempere, Leopoldo Pla  and
      Ram{\'\i}rez-S{\'a}nchez, Gema  and
      Rupnik, Peter  and
      Suchomel, V{\'\i}t  and
      Toral, Antonio  and
      van der Werff, Tobias  and
      Zaragoza, Jaume",
    booktitle = "Proceedings of the 23rd Annual Conference of the European Association for Machine Translation",
    month = jun,
    year = "2022",
    address = "Ghent, Belgium",
    publisher = "European Association for Machine Translation",
    url = "https://aclanthology.org/2022.eamt-1.41",
    pages = "303--304"
}