Herbert Large Cased

🚀 HerBERT

HerBERT 是一个基于 BERT 的语言模型，它使用掩码语言建模（MLM）和句子结构目标（SSO），通过对整个单词进行动态掩码，在波兰语语料库上进行训练。欲了解更多详情，请参考：HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish。该模型的训练和实验是使用版本为 2.9 的 transformers 库完成的。

✨ 主要特性

• 基于 BERT 架构，在波兰语语料库上进行训练。
• 使用掩码语言建模（MLM）和句子结构目标（SSO），并对整个单词进行动态掩码。

📦 安装指南

文档未提及具体安装步骤，可参考 transformers 库的安装说明。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("allegro/herbert-large-cased")
model = AutoModel.from_pretrained("allegro/herbert-large-cased")

output = model(
    **tokenizer.batch_encode_plus(
        [
            (
                "A potem szedł środkiem drogi w kurzawie, bo zamiatał nogami, ślepy dziad prowadzony przez tłustego kundla na sznurku.",
                "A potem leciał od lasu chłopak z butelką, ale ten ujrzawszy księdza przy drodze okrążył go z dala i biegł na przełaj pól do karczmy."
            )
        ],
    padding='longest',
    add_special_tokens=True,
    return_tensors='pt'
    )
)

📚 详细文档

语料库

HerBERT 在六种不同的波兰语语料库上进行训练：

分词器

训练数据集使用字符级字节对编码（CharBPETokenizer）将其分词为子词，词汇量大小为 50k 个词元。分词器本身是使用 tokenizers 库进行训练的。

我们强烈建议您使用分词器的 Fast 版本，即 HerbertTokenizerFast。

📄 许可证

CC BY 4.0

🔖 引用

如果您使用此模型，请引用以下论文：

@inproceedings{mroczkowski-etal-2021-herbert,
    title = "{H}er{BERT}: Efficiently Pretrained Transformer-based Language Model for {P}olish",
    author = "Mroczkowski, Robert  and
      Rybak, Piotr  and
      Wr{\'o}blewska, Alina  and
      Gawlik, Ireneusz",
    booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
    month = apr,
    year = "2021",
    address = "Kiyv, Ukraine",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.bsnlp-1.1",
    pages = "1--10",
}

👥 作者

该模型由 Machine Learning Research Team at Allegro 和 Linguistic Engineering Group at Institute of Computer Science, Polish Academy of Sciences 训练。

您可以通过 klejbenchmark@allegro.pl 与我们联系。