英文

IndicBART是一个多语言序列到序列的预训练模型,重点关注印度语言和英语。它当前支持11种印度语言,并基于mBART架构。您可以使用IndicBART模型通过使用监督训练数据对模型进行微调来构建印度语言的自然语言生成应用,例如机器翻译、摘要生成、问题生成等。IndicBART的一些显著特点包括:

  • 支持的语言:阿萨姆语、孟加拉语、古吉拉特语、印地语、马拉地语、奥迪亚语、旁遮普语、卡纳达语、马拉雅拉姆语、泰米尔语、泰卢固语和英语。其中并非所有语言都在mBART50和mT5的支持范围内。
  • 该模型比mBART和mT5(基础版)模型要小得多,因此在微调和解码时计算开销较小。
  • 在庞大的印度语语料库(4.52亿句子和90亿标记)上训练,其中也包括印度英语内容。
  • 除英语外,所有语言都使用天城体字母表进行表示,以促进相关语言之间的迁移学习。

您可以在此 paper 阅读有关IndicBART的更多信息。

有关详细文档,请参阅 https://github.com/AI4Bharat/indic-bart/ https://indicnlp.ai4bharat.org/indic-bart/

预训练语料库

我们使用了 IndicCorp 跨越12种语言的数据,包含452亿个句子(90亿个标记)。该模型使用mBART中使用的文本填充目标进行训练。

使用方法:

from transformers import MBartForConditionalGeneration, AutoModelForSeq2SeqLM
from transformers import AlbertTokenizer, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("ai4bharat/IndicBART", do_lower_case=False, use_fast=False, keep_accents=True)

# Or use tokenizer = AlbertTokenizer.from_pretrained("ai4bharat/IndicBART", do_lower_case=False, use_fast=False, keep_accents=True)

model = AutoModelForSeq2SeqLM.from_pretrained("ai4bharat/IndicBART")

# Or use model = MBartForConditionalGeneration.from_pretrained("ai4bharat/IndicBART")

# Some initial mapping
bos_id = tokenizer._convert_token_to_id_with_added_voc("<s>")
eos_id = tokenizer._convert_token_to_id_with_added_voc("</s>")
pad_id = tokenizer._convert_token_to_id_with_added_voc("<pad>")
# To get lang_id use any of ['<2as>', '<2bn>', '<2en>', '<2gu>', '<2hi>', '<2kn>', '<2ml>', '<2mr>', '<2or>', '<2pa>', '<2ta>', '<2te>']

# First tokenize the input and outputs. The format below is how IndicBART was trained so the input should be "Sentence </s> <2xx>" where xx is the language code. Similarly, the output should be "<2yy> Sentence </s>". 
inp = tokenizer("I am a boy </s> <2en>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids # tensor([[  466,  1981,    80, 25573, 64001, 64004]])

out = tokenizer("<2hi> मैं  एक लड़का हूँ </s>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids # tensor([[64006,   942,    43, 32720,  8384, 64001]])
# Note that if you use any language other than Hindi or Marathi, you should convert its script to Devanagari using the Indic NLP Library.

model_outputs=model(input_ids=inp, decoder_input_ids=out[:,0:-1], labels=out[:,1:])

# For loss
model_outputs.loss ## This is not label smoothed.

# For logits
model_outputs.logits

# For generation. Pardon the messiness. Note the decoder_start_token_id.

model.eval() # Set dropouts to zero

model_output=model.generate(inp, use_cache=True, num_beams=4, max_length=20, min_length=1, early_stopping=True, pad_token_id=pad_id, bos_token_id=bos_id, eos_token_id=eos_id, decoder_start_token_id=tokenizer._convert_token_to_id_with_added_voc("<2en>"))


# Decode to get output strings

decoded_output=tokenizer.decode(model_output[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)

print(decoded_output) # I am a boy
# Note that if your output language is not Hindi or Marathi, you should convert its script from Devanagari to the desired language using the Indic NLP Library.

# What if we mask?

inp = tokenizer("I am [MASK] </s> <2en>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids

model_output=model.generate(inp, use_cache=True, num_beams=4, max_length=20, min_length=1, early_stopping=True, pad_token_id=pad_id, bos_token_id=bos_id, eos_token_id=eos_id, decoder_start_token_id=tokenizer._convert_token_to_id_with_added_voc("<2en>"))

decoded_output=tokenizer.decode(model_output[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)

print(decoded_output) # I am happy

inp = tokenizer("मैं [MASK] हूँ </s> <2hi>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids

model_output=model.generate(inp, use_cache=True, num_beams=4, max_length=20, min_length=1, early_stopping=True, pad_token_id=pad_id, bos_token_id=bos_id, eos_token_id=eos_id, decoder_start_token_id=tokenizer._convert_token_to_id_with_added_voc("<2en>"))

decoded_output=tokenizer.decode(model_output[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)

print(decoded_output) # मैं जानता हूँ

inp = tokenizer("मला [MASK] पाहिजे </s> <2mr>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids

model_output=model.generate(inp, use_cache=True, num_beams=4, max_length=20, min_length=1, early_stopping=True, pad_token_id=pad_id, bos_token_id=bos_id, eos_token_id=eos_id, decoder_start_token_id=tokenizer._convert_token_to_id_with_added_voc("<2en>"))

decoded_output=tokenizer.decode(model_output[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)

print(decoded_output) # मला ओळखलं पाहिजे

注意事项:

  • 这与最新版本的transformers兼容,但是是使用4.3.2版本开发的,因此如果可能,请考虑使用4.3.2版本。
  • 虽然我只展示了如何获取标识符和损失以及如何生成输出,但您可以像 https://huggingface.co/docs/transformers/model_doc/mbart#transformers.MBartForConditionalGeneration 中的MBartForConditionalGeneration类一样执行几乎所有操作。
  • 请注意,我使用的分词器基于sentencepiece而不是BPE。因此,使用了AlbertTokenizer类而不是MBartTokenizer类。
  • 如果您希望使用非天城体字母表书写的任何语言(英语除外),那么您应该首先使用 Indic NLP Library 将其转换为天城体字母表。在获得输出后,您应该将其转换回原始字母表。
  • 在下游任务上进行微调

  • 如果您希望对此模型进行微调,可以使用 YANMTT 工具包,并按照 here 中的说明进行操作。
  • (未经测试)或者,您可以使用官方的huggingface脚本 translation summarization
  • 贡献者

    • Raj Dabre
    • Himani Shrotriya
    • Anoop Kunchukuttan
    • Ratish Puduppully
    • Mitesh M. Khapra
    • Pratyush Kumar

    论文

    如果您使用IndicBART,请引用以下论文:

    @misc{dabre2021indicbart,
          title={IndicBART: A Pre-trained Model for Natural Language Generation of Indic Languages}, 
          author={Raj Dabre and Himani Shrotriya and Anoop Kunchukuttan and Ratish Puduppully and Mitesh M. Khapra and Pratyush Kumar},
          year={2021},
          eprint={2109.02903},
          archivePrefix={arXiv},
          primaryClass={cs.CL}
        }    
    

    许可证

    该模型在MIT许可证下可用。