XLM-RoBERTa (base-sized model)

XLM-RoBERTa模型是在包含100种语言的2.5TB已过滤的CommonCrawl数据上进行预训练的。它是由Conneau等人在论文《无监督跨语言表征学习规模化》中提出，并在这个代码库中首次发布的。

声明：发布XLM-RoBERTa的团队没有为该模型编写模型卡片，因此本模型卡片是由Hugging Face团队编写的。

模型描述

XLM-RoBERTa是RoBERTa的多语言版本。它在包含100种语言的2.5TB已过滤的CommonCrawl数据上进行了预训练。

RoBERTa是一个在大型语料库上进行自我监督方式预训练的transformers模型。这意味着它只使用原始文本进行预训练，没有任何人为标注（这也是为什么它可以使用大量公开可用的数据），通过自动处理从这些文本中生成输入和标签。

更准确地说，它是通过遮盖语言建模（MLM）目标进行预训练的。对于一个句子，模型会随机遮盖输入中的15%的单词，然后将整个遮盖后的句子输入模型，并尝试预测那些遮盖的单词。这与传统的循环神经网络（RNNs）通常逐个处理单词的方式或GPT等自回归模型在内部遮盖未来标记的方式不同。这使得模型能够学习到句子的双向表示。

通过这种方式，模型学习到了100种语言的内部表示，可以用来提取对下游任务有用的特征：例如，如果你有一个带有标签的句子数据集，你可以使用XLM-RoBERTa模型生成的特征作为分类器的输入进行训练。

预期用途及限制

您可以使用原始模型进行遮盖语言建模，但它主要是用于在下游任务上进行微调。请查看模型中心以查找与您感兴趣的任务相对应的微调版本。

请注意，该模型主要用于在使用整个句子（可能被遮盖）进行决策的任务上进行微调，例如序列分类、标记分类或问答。对于文本生成等任务，您应该查看类似GPT2的模型。

用法

您可以使用此模型直接进行遮盖语言建模的流程：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='xlm-roberta-base')
>>> unmasker("Hello I'm a <mask> model.")

[{'score': 0.10563907772302628,
  'sequence': "Hello I'm a fashion model.",
  'token': 54543,
  'token_str': 'fashion'},
 {'score': 0.08015287667512894,
  'sequence': "Hello I'm a new model.",
  'token': 3525,
  'token_str': 'new'},
 {'score': 0.033413201570510864,
  'sequence': "Hello I'm a model model.",
  'token': 3299,
  'token_str': 'model'},
 {'score': 0.030217764899134636,
  'sequence': "Hello I'm a French model.",
  'token': 92265,
  'token_str': 'French'},
 {'score': 0.026436051353812218,
  'sequence': "Hello I'm a sexy model.",
  'token': 17473,
  'token_str': 'sexy'}]

以下是如何使用此模型在PyTorch中获取给定文本的特征：

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained('xlm-roberta-base')
model = AutoModelForMaskedLM.from_pretrained("xlm-roberta-base")

# prepare input
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')

# forward pass
output = model(**encoded_input)

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-1911-02116,
  author    = {Alexis Conneau and
               Kartikay Khandelwal and
               Naman Goyal and
               Vishrav Chaudhary and
               Guillaume Wenzek and
               Francisco Guzm{\'{a}}n and
               Edouard Grave and
               Myle Ott and
               Luke Zettlemoyer and
               Veselin Stoyanov},
  title     = {Unsupervised Cross-lingual Representation Learning at Scale},
  journal   = {CoRR},
  volume    = {abs/1911.02116},
  year      = {2019},
  url       = {http://arxiv.org/abs/1911.02116},
  eprinttype = {arXiv},
  eprint    = {1911.02116},
  timestamp = {Mon, 11 Nov 2019 18:38:09 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1911-02116.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

作者:

None

数据集大小:

5.92 GB