Multi dialect Arabic BERT

多核核阿拉伯 - 伯特

这是多核心阿拉伯语BERT模型的存储库。

由mawdoo3-ai。

关于我们的多核核 - 阿拉伯 - 伯特模型

我们没有从头开始训练多支二式阿拉伯语BERT模型，而是使用阿拉伯语bert初始化了该模型的权重，并从差异阿拉伯语方言标识（NADI）共享任务的无效数据中对1000万阿拉伯推文进行了训练。

引用这项工作

 @misc{talafha2020multidialect,
    title={Multi-Dialect Arabic BERT for Country-Level Dialect Identification},
    author={Bashar Talafha and Mohammad Ali and Muhy Eddin Za'ter and Haitham Seelawi and Ibraheem Tuffaha and Mostafa Samir and Wael Farhan and Hussein T. Al-Natsheh},
    year={2020},
    eprint={2007.05612},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

用法

可以通过拥抱面来使用transformers库加载模型权重。

 from transformers import AutoTokenizer , AutoModel

tokenizer = AutoTokenizer . from_pretrained ( "bashar-talafha/multi-dialect-bert-base-arabic" )
model = AutoModel . from_pretrained ( "bashar-talafha/multi-dialect-bert-base-arabic" )

使用pipeline的示例：

 from transformers import pipeline

fill_mask = pipeline (
    "fill-mask" ,
    model = "bashar-talafha/multi-dialect-bert-base-arabic " ,
    tokenizer = "bashar-talafha/multi-dialect-bert-base-arabic "
)

fill_mask ( " سافر الرحالة من مطار [MASK] " )

 [{'sequence': '[CLS] سافر الرحالة من مطار الكويت [SEP]', 'score': 0.08296813815832138, 'token': 3226},
 {'sequence': '[CLS] سافر الرحالة من مطار دبي [SEP]', 'score': 0.05123933032155037, 'token': 4747},
 {'sequence': '[CLS] سافر الرحالة من مطار مسقط [SEP]', 'score': 0.046838656067848206, 'token': 13205},
 {'sequence': '[CLS] سافر الرحالة من مطار القاهرة [SEP]', 'score': 0.03234650194644928, 'token': 4003},
 {'sequence': '[CLS] سافر الرحالة من مطار الرياض [SEP]', 'score': 0.02606341242790222, 'token': 2200}]

模型参数

范围	价值
建筑学	bertmumaskedlm
hidden_​​size	768
max_position_embeddings	512
num_attention_heads	12
num_hidden_​​layers	12
vocab_size	32000
hidden_​​size	768
参数总数	110m