Update README.md

README.md

@@ -1,3 +1,75 @@
 ---
 license: mit
+language: ja
+library_name: transformers
+tags: 
+    - pytorch
+    - bert
+    - commonsenseqa
+    - commonsense_qa
+    - commonsense-qa
+    - CommonsenseQA
+datasets: 
+    - wikipedia
+    - cc100
+    - oscar
+metrics: 
+    - accuracy
+
 ---
+
+# このモデルはcl-tohoku/bert-large-japanese-v2をファインチューニングしてCommonsenseQA(選択式の質問)に用いれるようにしたものです。
+このモデルはcl-tohoku/bert-large-japanese-v2をyahoo japan/JGLUEのJCommonsenseQA( https://github.com/yahoojapan/JGLUE ) を用いてファインチューニングしたものです。
+# This model is fine-tuned model for CommonsenseQA which is based on cl-tohoku/bert-large-japanese-v2
+This model is fine-tuned by using JGLUE/JCommonsenseQA dataset.
+
+You could use this model for CommonsenseQA tasks.
+
+# How to use 使い方
+transformersおよびpytorch, fugashi, unidic_liteをインストールしてください。
+
+pip install transformers, pytorch, fugashi, unidic_lite
+
+以下のコードを実行することで、CommonsenseQAタスクを解かせることができます。  please execute this code.
+```python
+from transformers import AutoTokenizer, AutoModelForMultipleChoice
+import torch
+import numpy as np
+
+# modelのロード
+tokenizer = AutoTokenizer.from_pretrained('Mizuiro-sakura/bert-large-japanese-v2-finetuned-commonsenseQA')
+model = AutoModelForMultipleChoice.from_pretrained('Mizuiro-sakura/bert-large-japanese-v2-finetuned-commonsenseQA')
+
+# 質問と選択肢の代入
+question = '電子機器で使用される最も主要な電子回路基板の事をなんと言う？'
+choice1 = '掲示板'
+choice2 = 'パソコン'
+choice3 = 'マザーボード'
+choice4 = 'ハードディスク'
+choice5 = 'まな板'
+
+# トークン化（エンコーディング・形態素解析）する
+token = tokenizer([question,question,question,question,question],[choice1,choice2,choice3,choice4,choice5],return_tensors='pt',padding=True)
+leng=len(token['input_ids'][0])
+
+# modelに入力するための下準備
+X1 = np.empty(shape=(1, 5, leng))
+X2 = np.empty(shape=(1, 5, leng))
+X1[0, :, :] = token['input_ids']
+X2[0, :, :] = token['attention_mask']
+
+# modelにトークンを入力する
+results = model(torch.tensor(X1).to(torch.int64),torch.tensor(X2).to(torch.int64))
+
+# 最も高い値のインデックスを取得する
+max_result=torch.argmax(results.logits)
+print(max_result)
+```
+# モデルの精度 accuracy of model
+0.888715
+（参考　BERT : 72.0, XLM RoBERTa base : 68.7, LUKE : 80.0)
+
+
+
+
+