语言: tr 标签:

• roberta
• 语言模型 数据集:
• oscar

TavBERT基础模型

一个针对土耳其语的类BERT掩码语言模型，基于字符级别运行，采用类似SpanBERT（Joshi等人，2020）的字符跨度掩码方法进行预训练。

使用方法

import numpy as np
import torch
from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained("tau/tavbert-tr")
tokenizer = AutoTokenizer.from_pretrained("tau/tavbert-tr")

def mask_sentence(sent, span_len=5):
    start_pos = np.random.randint(0, len(sent) - span_len)
    masked_sent = sent[:start_pos] + '[MASK]' * span_len + sent[start_pos + span_len:]
    print("掩码后的句子:", masked_sent)
    output = model(**tokenizer.encode_plus(masked_sent, 
                                           return_tensors='pt'))['logits'][0][1:-1]
    preds = [int(x) for x in torch.argmax(torch.softmax(output, axis=1), axis=1)[start_pos:start_pos + span_len]]
    pred_sent = sent[:start_pos] + ''.join(tokenizer.convert_ids_to_tokens(preds)) + sent[start_pos + span_len:]
    print("模型预测结果:", pred_sent)

训练数据

OSCAR（Ortiz，2019）土耳其语部分（27GB文本，7700万条句子）。