语言:

• 多语言
• 英语
• 法语

xlm-clm-enfr-1024

目录

1. 模型详情
2. 用途
3. 偏见、风险与限制
4. 训练
5. 评估
6. 环境影响
7. 技术规格
8. 引用
9. 模型卡片作者
10. 如何开始使用该模型

模型详情

XLM模型由Guillaume Lample和Alexis Conneau在论文《跨语言语言模型预训练》中提出。xlm-clm-enfr-1024是一个基于因果语言建模（CLM）目标（即下一词预测）预训练的英法双语Transformer模型。

模型描述

• 开发者: Guillaume Lample, Alexis Conneau，参见相关论文
• 模型类型: 语言模型
• 支持语言（NLP）: 英语-法语
• 许可证: 未知
• 相关模型: xlm-clm-ende-1024, xlm-mlm-ende-1024, xlm-mlm-enfr-1024, xlm-mlm-enro-1024
• 更多信息:
  • 相关论文
  • GitHub仓库
  • Hugging Face多语言推理模型文档

用途

直接使用

该模型是一个语言模型，可用于因果语言建模（下一词预测）。

下游使用

关于该任务及潜在下游应用的更多信息，请参阅Hugging Face多语言推理模型文档。

超出范围的使用

该模型不应被用于故意制造敌对或疏远人群的环境。

偏见、风险与限制

已有大量研究探讨了语言模型中的偏见与公平性问题（例如参见Sheng et al. (2021)和Bender et al. (2021)）。

建议

用户（包括直接使用和下游使用）应了解该模型的风险、偏见和限制。

训练

关于训练数据和训练过程的详细信息，请参阅相关论文。

评估

测试数据、因素与指标

关于测试数据、因素和指标的详细信息，请参阅相关论文。

结果

xlm-clm-enfr-1024的结果参见相关论文的表2。

环境影响

碳排放量可以使用Lacoste et al. (2019)中提出的机器学习影响计算器进行估算。

• 硬件类型: 需要更多信息
• 使用时长: 需要更多信息
• 云服务提供商: 需要更多信息
• 计算区域: 需要更多信息
• 碳排放量: 需要更多信息

技术规格

模型开发者写道：

我们使用PyTorch（Paszke et al., 2017）实现所有模型，语言建模任务在64块Volta GPU上训练，机器翻译任务在8块GPU上训练。我们使用float16运算加速训练并减少模型内存占用。

更多细节请参阅相关论文。

引用

BibTeX:

@article{lample2019cross,
  title={Cross-lingual language model pretraining},
  author={Lample, Guillaume and Conneau, Alexis},
  journal={arXiv preprint arXiv:1901.07291},
  year={2019}
}

APA:

• Lample, G., & Conneau, A. (2019). Cross-lingual language model pretraining. arXiv preprint arXiv:1901.07291.

模型卡片作者

本模型卡片由Hugging Face团队撰写。

如何开始使用该模型

使用以下代码开始使用该模型。

import torch
from transformers import XLMTokenizer, XLMWithLMHeadModel

tokenizer = XLMTokenizer.from_pretrained("xlm-clm-enfr-1024")
model = XLMWithLMHeadModel.from_pretrained("xlm-clm-enfr-1024")

input_ids = torch.tensor([tokenizer.encode("Wikipedia was used to")])  # batch size of 1

language_id = tokenizer.lang2id["en"]  # 0
langs = torch.tensor([language_id] * input_ids.shape[1])  # torch.tensor([0, 0, 0, ..., 0])

# We reshape it to be of size (batch_size, sequence_length)
langs = langs.view(1, -1)  # is now of shape [1, sequence_length] (we have a batch size of 1)

outputs = model(input_ids, langs=langs)