Transformers

加入 Hugging Face 社区

并获得增强的文档体验

在模型、数据集和 Spaces 上进行协作

通过加速推理获得更快的示例

切换文档主题

开始使用

PhoBERT

概述

PhoBERT 模型由 Dat Quoc Nguyen 和 Anh Tuan Nguyen 在论文 PhoBERT: 越南语预训练语言模型中提出。

论文摘要如下：

我们推出了 PhoBERT 的两个版本：PhoBERT-base 和 PhoBERT-large，它们是首批针对越南语预训练的大规模单语语言模型。实验结果表明，PhoBERT 在多项越南语 NLP 任务（包括词性标注、依存句法分析、命名实体识别和自然语言推理）中始终优于最新的最佳预训练多语言模型 XLM-R (Conneau et al., 2020)，并提升了这些任务的最新技术水平。

此模型由 dqnguyen 贡献。原始代码可以在此处找到。

使用示例

>>> import torch
>>> from transformers import AutoModel, AutoTokenizer

>>> phobert = AutoModel.from_pretrained("vinai/phobert-base")
>>> tokenizer = AutoTokenizer.from_pretrained("vinai/phobert-base")

>>> # INPUT TEXT MUST BE ALREADY WORD-SEGMENTED!
>>> line = "Tôi là sinh_viên trường đại_học Công_nghệ ."

>>> input_ids = torch.tensor([tokenizer.encode(line)])

>>> with torch.no_grad():
...     features = phobert(input_ids)  # Models outputs are now tuples

>>> # With TensorFlow 2.0+:
>>> # from transformers import TFAutoModel
>>> # phobert = TFAutoModel.from_pretrained("vinai/phobert-base")

除了分词之外，PhoBERT 的实现与 BERT 相同。有关配置类及其参数的信息，请参阅 BERT 文档。PhoBERT 特定的分词器将在下面进行说明。

Phobert分词器

类 transformers.PhobertTokenizer

< 来源 >

( 词汇文件合并文件起始标记 = '<s>' 结束标记 = '</s>' 分隔标记 = '</s>' 分类标记 = '<s>' 未知标记 = '<unk>' 填充标记 = '<pad>' 掩码标记 = '<mask>' **kwargs )

参数

vocab_file (str) — 词汇文件路径。
merges_file (str) — 合并文件路径。
bos_token (st, 可选, 默认为 "<s>") — 预训练期间使用的序列开始标记。可用作序列分类器标记。

使用特殊标记构建序列时，这不是用于序列开头的标记。使用的标记是 cls_token。
eos_token (str, 可选, 默认为 "</s>") — 序列结束标记。

使用特殊标记构建序列时，这不是用于序列结尾的标记。使用的标记是 sep_token。
sep_token (str, 可选, 默认为 "</s>") — 分隔标记，用于从多个序列构建序列时，例如用于序列分类的两个序列或用于问答的文本和问题。它也用作使用特殊标记构建的序列的最后一个标记。
cls_token (str, 可选, 默认为 "<s>") — 分类器标记，用于序列分类（整个序列的分类而不是按标记分类）。使用特殊标记构建时，它是序列的第一个标记。
unk_token (str, 可选, 默认为 "<unk>") — 未知标记。不在词汇表中的标记不能转换为 ID，而是设置为此标记。
pad_token (str, 可选, 默认为 "<pad>") — 用于填充的标记，例如在批处理不同长度的序列时。
mask_token (str, 可选, 默认为 "<mask>") — 用于掩盖值的标记。这是使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。