jorgeortizfuentes's picture
Update README.md
f3d2aba verified
metadata
tags:
  - generated_from_trainer
  - chilean spanish
  - español chileno
datasets:
  - jorgeortizfuentes/universal_spanish_chilean_corpus
model-index:
  - name: chilean-bert-base-spanish-wwm-cased
    results: []
license: cc-by-4.0
language:
  - es
pipeline_tag: fill-mask

Tulio Chilean Spanish BERT

Este modelo es una versión fine-tuneada del modelo dccuchile/bert-base-spanish-wwm-cased con el Universal and Chilean Spanish Corpus

Descripción

Tulio ha sido entrenado con textos en español de Chile (noticias, web, reclamos y tweets) y libros en español. Este modelo se caracteriza por presentar resultados sobresalientes respecto a otros modelos en español en tareas que involucren español de Chile.

Hiperparámetros de entrenamiento

Los siguientes hiperparámetros fueron usados durante el entrenamiento:

  • learning_rate: 2e-05
  • train_batch_size: 64
  • eval_batch_size: 64
  • seed: 13
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: constant
  • num_epochs: 1

Training Loss

Epoch Training Loss
0.1 1.5646
0.2 1.4615
0.3 1.4251
0.4 1.4013
0.5 1.3836
0.6 1.3704
0.7 1.3598
0.8 1.3506
0.9 1.3429
1.0 1.3995

Evaluación y comparativa con otros modelos en español

Modelo Text classification task (en español de Chile) Token classification task (en español de Chile)
Beto (BERT Spanish) 0.8392 0.7544
Bertin Roberta Base 0.8325 -
Roberta Large BNE 0.8499 0.7697
Tulio BERT 0.8503 0.7815
Patana BERT 0.8435 0.7777

Frameworks de entrenamiento

  • Transformers 4.30.2
  • Pytorch 2.0.1+cu117
  • Datasets 2.13.1
  • Tokenizers 0.13.3

Agradecimientos

Agradecemos al Departamento de Ciencias de la Computación de la Universidad de Chile y a ReLeLa por los servidores proporcionados para el entrenamiento del modelo. También agradecemos por su apoyo al Instituto Milenio Fundamentos de los Datos.

Licencia

La licencia CC BY 4.0 es la que mejor describe las intenciones de nuestro trabajo. Sin embargo, no estamos seguros de que todos datos utilizados para entrenar este modelo tengan licencias compatibles con CC BY 4.0 (especialmente para uso comercial).

Limitaciones

El dataset de entrenamiento no recibió ningún tipo de censura. Por lo tanto, el modelo puede contener representaciones ideológicas no deseadas. Utilizar con precaución.

Autor

Modelo entrenado y datasets recopilados por Jorge Ortiz Fuentes

Citación

@misc{tuliobert2023,
  author = {Ortiz-Fuentes, Jorge},
  title = {Tulio Chilean Spanish Bert},
  year = 2023,
  url = {https://doi.org/10.57967/hf/1846},
}