日语RoBERTa基础模型

本仓库提供基础尺寸的日语RoBERTa模型。该模型由rinna株式会社使用Github仓库rinnakk/japanese-pretrained-models中的代码训练而成。

模型加载方式

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-roberta-base", use_fast=False)
tokenizer.do_lower_case = True  # 由于tokenizer配置加载的某些错误

model = AutoModelForMaskedLM.from_pretrained("rinna/japanese-roberta-base")

掩码词预测使用说明

注意1：使用[CLS]标记

进行掩码词预测时，务必在句子前添加[CLS]标记，因为模型训练时使用了该标记进行编码。

注意2：在分词后使用[MASK]

A) 直接在输入字符串中输入[MASK]和B) 分词后将某个词替换为[MASK]会产生不同的词序列，从而导致不同的预测结果。更合适的方式是在分词后使用[MASK]（与模型预训练方式一致）。但Huggingface推理API仅支持在输入字符串中直接输入[MASK]，预测结果可能不够稳健。

注意3：显式提供position_ids参数

当未为Roberta*模型提供position_ids时，Huggingface的transformers会自动构建，但会从padding_idx而非0开始（参见问题和Huggingface实现中的create_position_ids_from_input_ids()函数）。由于该tokenizer的padding_idx不是0，请务必自行构建position_ids并从位置ID0开始。

使用示例

以下示例展示了本模型作为掩码语言模型的工作原理。请注意运行以下代码示例与运行Huggingface推理API的区别。

# 原始文本
text = "4年に1度オリンピックは開かれる。"

# 添加[CLS]前缀
text = "[CLS]" + text

# 分词
tokens = tokenizer.tokenize(text)
print(tokens)  # 输出: ['[CLS]', '▁4', '年に', '1', '度', 'オリンピック', 'は', '開かれる', '。']

# 掩码一个词
masked_idx = 5
tokens[masked_idx] = tokenizer.mask_token
print(tokens)  # 输出: ['[CLS]', '▁4', '年に', '1', '度', '[MASK]', 'は', '開かれる', '。']

# 转换为ID
token_ids = tokenizer.convert_tokens_to_ids(tokens)
print(token_ids)  # 输出: [4, 1602, 44, 24, 368, 6, 11, 21583, 8]

# 转换为张量
import torch
token_tensor = torch.LongTensor([token_ids])

# 显式提供位置ID
position_ids = list(range(0, token_tensor.size(1)))
print(position_ids)  # 输出: [0, 1, 2, 3, 4, 5, 6, 7, 8]
position_id_tensor = torch.LongTensor([position_ids])

# 获取掩码词的前10个预测
with torch.no_grad():
    outputs = model(input_ids=token_tensor, position_ids=position_id_tensor)
    predictions = outputs[0][0, masked_idx].topk(10)

for i, index_t in enumerate(predictions.indices):
    index = index_t.item()
    token = tokenizer.convert_ids_to_tokens([index])[0]
    print(i, token)

"""
0 総会
1 サミット
2 ワールドカップ
3 フェスティバル
4 大会
5 オリンピック
6 全国大会
7 党大会
8 イベント
9 世界選手権
"""

模型架构

基于12层、768隐藏层大小的Transformer掩码语言模型。

训练过程

模型在Japanese CC-100和Japanese Wikipedia上训练，优化掩码语言建模目标，使用8*V100 GPU训练约15天。在从CC-100采样的开发集上达到约3.9的困惑度。

分词方式

模型使用基于sentencepiece的分词器，词汇表使用官方sentencepiece训练脚本在日语维基百科上训练而成。

发布日期

2021年8月25日

引用方式

@misc{rinna-japanese-roberta-base,
    title = {rinna/japanese-roberta-base},
    author = {Zhao, Tianyu and Sawada, Kei},
    url = {https://huggingface.co/rinna/japanese-roberta-base}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

许可证

MIT许可证