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 。
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)
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]