--- tags: - fill-mask - japanese - albert language: - ja license: mit widget: - text: "2022年の[MASK]概要" --- ## albert-base-japanese-v1 日本語事前学習済みALBERTモデルです ## How to use ### ファインチューニング このモデルはPreTrainedモデルです 基本的には各種タスク用にファインチューニングして使用されることを想定しています ### Fill-Mask このモデルではTokenizerにSentencepieceを利用しています そのままでは`[MASK]`トークンのあとに[余計なトークンが混入する問題](https://ken11.jp/blog/sentencepiece-tokenizer-bug)があるので、利用する際には以下のようにする必要があります ```py from transformers import ( AlbertForMaskedLM, AlbertTokenizerFast ) import torch tokenizer = AlbertTokenizerFast.from_pretrained("ken11/albert-base-japanese-v1") model = AlbertForMaskedLM.from_pretrained("ken11/albert-base-japanese-v1") text = "大学で[MASK]の研究をしています" tokenized_text = tokenizer.tokenize(text) del tokenized_text[tokenized_text.index(tokenizer.mask_token) + 1] input_ids = [tokenizer.cls_token_id] input_ids.extend(tokenizer.convert_tokens_to_ids(tokenized_text)) input_ids.append(tokenizer.sep_token_id) inputs = {"input_ids": [input_ids], "token_type_ids": [[0]*len(input_ids)], "attention_mask": [[1]*len(input_ids)]} batch = {k: torch.tensor(v, dtype=torch.int64) for k, v in inputs.items()} output = model(**batch)[0] _, result = output[0, input_ids.index(tokenizer.mask_token_id)].topk(5) print(tokenizer.convert_ids_to_tokens(result.tolist())) # ['英語', '心理学', '数学', '医学', '日本語'] ``` ## Training Data 学習には - [日本語Wikipediaの全文](https://ja.wikipedia.org/wiki/Wikipedia:%E3%83%87%E3%83%BC%E3%82%BF%E3%83%99%E3%83%BC%E3%82%B9%E3%83%80%E3%82%A6%E3%83%B3%E3%83%AD%E3%83%BC%E3%83%89) - [livedoorニュースコーパス](https://www.rondhuit.com/download.html#ldcc) を利用しています ## Tokenizer トークナイザーは[Sentencepiece](https://github.com/google/sentencepiece)を利用しています こちらも学習データは同様です ## Licenese [The MIT license](https://opensource.org/licenses/MIT)