语言: "印尼语" 许可证: "mit" 数据集:

• 印尼语维基百科 小部件示例:
• 文本: "Ibu ku sedang bekerja supermarket."

印尼语RoBERTa基础模型（无大小写区分）

模型描述

这是一个基于RoBERTa-base架构的模型，使用印尼语维基百科数据通过掩码语言建模（MLM）目标进行预训练。该模型不区分大小写：例如"indonesia"和"Indonesia"被视为相同。

这是使用印尼语数据集预训练的多个语言模型之一。关于其在下游任务（文本分类、文本生成等）中使用的更多细节，请参阅基于Transformer的印尼语语言模型

预期用途与限制

使用方法

您可以直接使用该模型进行掩码语言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='cahya/roberta-base-indonesian-522M')
>>> unmasker("Ibu ku sedang bekerja <mask> supermarket")

以下是如何在PyTorch中使用该模型获取文本特征：

from transformers import RobertaTokenizer, RobertaModel

model_name='cahya/roberta-base-indonesian-522M'
tokenizer = RobertaTokenizer.from_pretrained(model_name)
model = RobertaModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在TensorFlow中的使用方法：

from transformers import RobertaTokenizer, TFRobertaModel

model_name='cahya/roberta-base-indonesian-522M'
tokenizer = RobertaTokenizer.from_pretrained(model_name)
model = TFRobertaModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

该模型使用522MB的印尼语维基百科数据进行预训练。 文本经过小写化处理，并使用WordPiece进行分词，词汇表大小为32,000。模型的输入格式如下：

<s> 句子A </s> 句子B </s>