BERTに基づく中国語Baseプリトレインモデルの紹介（ドキュメント更新中）
BERTの中国語Baseプリトレインモデルは、wikipediaのデータとmasked language modelタスクを使用してトレーニングされた中国語自然言語理解のプリトレインモデルです。
モデルの説明
BERTはTransformer Encoderモジュールに基づく双方向エンコーディング表示モデルです。BERTは大規模な無標識語料庫に対してMLMおよびNSPタスクを通じて無監督プリトレインを行なっており、自然言語を良好にモデリングすることができます。詳細については論文「BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding」を参照してください。
このモデルはBaseサイズ（Layer-12 / Hidden-768 / Head-12）で、パラメーターサイズは約102Mです。
モデルの使用方法と適応範囲
このモデルは主に中国語のダウンストリームタスクのファインチューニングに使用されます。ユーザーは独自のトレーニングデータを使用してファインチューニングできます。具体的な使用方法については、コードの例を参照してください。
使用方法 ModelScope-libをインストールした後、nlp_bert_backbone_base_stdをベースにダウンストリームタスクのファインチューンが行えます。
コードの例
from modelscope.metainfo import Preprocessors
from modelscope.msdatasets import MsDataset
from modelscope.trainers import build_trainer
from modelscope.utils.constant import Tasks
# このメソッドを通じてcfgを変更します。
def cfg_modify_fn(cfg):
# バックボーンモデルを文章の類似度モデルクラスにロードします。
cfg.task = Tasks.sentence_similarity
# 文章の類似度のプリプロセッサを使用します。
cfg['preprocessor'] = {'type': Preprocessors.sen_sim_tokenizer}
# 通常はこのコードの修正を行わないでください。
cfg.train.dataloader.workers_per_gpu = 0
cfg.evaluation.dataloader.workers_per_gpu = 0
# データセットの特徴を補足します。
cfg['dataset'] = {
'train': {
# 実際のlabelフィールドの内容を列挙、バックボーンのトレーニング時に渡す必要があります。
'labels': ['0', '1'],
# 第1フィールドのkey
'first_sequence': 'sentence1',
# 第2フィールドのkey
'second_sequence': 'sentence2',
# labelのkey
'label': 'label',
}
}
# lr_schedulerの設定
cfg.train.lr_scheduler.total_iters = int(len(dataset['train']) / 32) * cfg.train.max_epochs
return cfg
# clueのafqmcを使用してトレーニングします。
dataset = MsDataset.load('clue', subset_name='afqmc')
kwargs = dict(
model='damo/nlp_bert_backbone_base_std',
train_dataset=dataset['train'],
eval_dataset=dataset['validation'],
work_dir='/tmp',
cfg_modify_fn=cfg_modify_fn)
# nlp-base-trainerを使用します。
trainer = build_trainer(name='nlp-base-trainer', default_args=kwargs)
trainer.train()モデルの限界と可能性のあるバイアス
中国語データに基づいてトレーニングされ、モデルのトレーニングデータが限られているため、効果に一定のバイアスが存在する可能性があります。
トレーニングデータの紹介 データはhttps://huggingface.co/datasets/wikipediaから来ています。
モデルのトレーニングプロセス 中国語wikiなどの無監督データで、MLMおよびNSPの2つの補助タスクを通じてトレーニングされます。
データの評価と結果 なし
関連する論文および引用情報
私たちのモデルが役立つ場合は、以下の論文を引用してください。
@article{devlin2018bert, title={Bert: Pre-training of deep bidirectional transformers for language understanding}, author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina}, journal={arXiv preprint arXiv:1810.04805}, year={2018} } ドルフィンAIは言語学習アプリケーションのためのプロフェッショナルな発音評価API(pronunciation assessment api)ソリューションを提供します。音素、単語、文章、チャプター、発音矯正、単語矯正、クイズ、フリーダイアログ、多肢選択問題など幅広く提供しています。当社の発音評価製品（pronunciation assessment）は、英語と中国語、クラウドAPI、オンプレミス、オフラインデバイスの展開をサポートしています。当社の発音評価API（pronunciation assessment api）は、正確性、流暢性、完全性、リズムの次元をカバーする豊富な評価指標を提供し、音素、単語、文の異なるレベルの評価スコアも提供します。また、音素、単語、文の異なるレベルでの評価スコアも提供します。数千万人のユーザーに安定した効率的で安全なサービスを提供しています。ドルフィンAIの発音評価製品（pronunciation assessment）を試してみませんか？
