印度尼西亚 RoBERTa 基础模型（不区分大小写）

模型描述

这是一个使用印度尼西亚维基百科进行掩码语言建模（MLM）目标预训练的 RoBERTa-base 模型。该模型不区分大小写，不区分 indonesia 和 Indonesia。

这是众多使用印度尼西亚数据集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）上使用的详细信息，请参考 Transformer based Indonesian Language Models 。

预期用途和限制

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处理：

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

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 RobertaTokenizer, RobertaModel

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

以及在 TensorFlow 中的使用方法：

from transformers import RobertaTokenizer, TFRobertaModel

model_name='cahya/roberta-base-indonesian-522M'
tokenizer = RobertaTokenizer.from_pretrained(model_name)
model = TFRobertaModel.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

该模型使用约522MB的印度尼西亚维基百科进行预训练。文本经过小写处理并使用WordPiece进行标记化，使用32,000个词汇量。模型的输入形式如下：

<s> Sentence A </s> Sentence B </s>