印尼BERT基础模型（不区分大小写）

模型描述

这是一个使用印尼维基百科进行掩码语言建模（MLM）目标预训练的BERT基础模型。该模型不区分印尼和印度尼西亚。

这是多个其他使用印尼数据集进行预训练的语言模型之一。有关在下游任务（文本分类，文本生成等）中使用的更多详细信息，请参阅 Transformer based Indonesian Language Models 。

使用目的和限制

如何使用

您可以直接使用此模型进行掩码语言建模的流水线：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='cahya/bert-base-indonesian-522M')
>>> unmasker("Ibu ku sedang bekerja [MASK] supermarket")

[{'sequence': '[CLS] ibu ku sedang bekerja di supermarket [SEP]',
  'score': 0.7983310222625732,
  'token': 1495},
 {'sequence': '[CLS] ibu ku sedang bekerja. supermarket [SEP]',
  'score': 0.090003103017807,
  'token': 17},
 {'sequence': '[CLS] ibu ku sedang bekerja sebagai supermarket [SEP]',
  'score': 0.025469014421105385,
  'token': 1600},
 {'sequence': '[CLS] ibu ku sedang bekerja dengan supermarket [SEP]',
  'score': 0.017966199666261673,
  'token': 1555},
 {'sequence': '[CLS] ibu ku sedang bekerja untuk supermarket [SEP]',
  'score': 0.016971781849861145,
  'token': 1572}]

以下是如何在PyTorch中使用此模型获取给定文本的特征：

from transformers import BertTokenizer, BertModel

model_name='cahya/bert-base-indonesian-522M'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

而在Tensorflow中使用的方法如下：

from transformers import BertTokenizer, TFBertModel

model_name='cahya/bert-base-indonesian-522M'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = TFBertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

此模型是使用522MB的印尼维基百科进行预训练的。文本被转换为小写并使用WordPiece进行标记化，词汇表大小为32,000。模型的输入形式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]