模型:

ai4bharat/IndicBARTSS

英文

IndicBARTSS是一个多语言序列到序列的预训练模型,专注于印度语言和英语。它目前支持11种印度语言,并基于mBART架构。你可以使用IndicBARTSS模型通过有监督的训练数据对模型进行微调,用于构建印度语言的自然语言生成应用,如机器翻译、摘要生成、问题生成等。IndicBARTSS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。这些语言并非都受到mBART50和mT5的支持。
  • 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成本较低。
  • 在大型印度语言语料库(4.52亿句子和90亿标记)上进行训练,其中也包括印度英语内容。
  • 与ai4bharat/IndicBART不同,每种语言都是用自己的脚本书写的,因此无需执行任何Devenagari脚本的映射。

你可以在此链接中阅读关于IndicBARTSS的更多信息: paper

详细文档请查看: https://github.com/AI4Bharat/indic-bart/ https://indicnlp.ai4bharat.org/indic-bart/

预训练语料库

我们使用了涵盖12种语言的 IndicCorp 数据,包含452亿个句子(90亿个标记)。该模型使用了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/IndicBARTSS", do_lower_case=False, use_fast=False, keep_accents=True)

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

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

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

# 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 IndicBARTSS 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]])

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

# 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:

  • 此版本与最新版本的transformers兼容,但是开发时使用的是4.3.2版本,因此如果可能,请考虑使用该版本。
  • 虽然我只展示了如何获得logits和损失以及如何生成输出,但你基本上可以像使用MBartForConditionalGeneration类一样完成其他所有操作,如 https://huggingface.co/docs/transformers/model_doc/mbart#transformers.MBartForConditionalGeneration 所示。
  • 请注意,我使用的标记器是基于sentencepiece而不是BPE。因此,我使用了AlbertTokenizer类而不是MBartTokenizer类。
  • 在下游任务上进行微调

  • 如果你希望对该模型进行微调,可以使用 YANMTT 工具包,按照说明 here 进行操作。
  • (未经测试)或者,你可以使用官方的huggingface脚本,用于 translation summarization
  • 贡献者

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

    论文

    如果你使用了IndicBARTSS,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

    该模型可在MIT许可证下使用。