bert-base-uncased
简介
基于掩码语言建模（MLM）目标在英语上预训练的模型。该模型首次发表于此论文，并首次在此仓库中发布。此模型不区分大小写：即对"english"和"English"不作区分。
模型卡片
模型配置
模型详情
已翻译BERT base model (uncased)
该模型使用掩码语言建模（MLM）目标在英语上进行预训练。它首次在此论文中提出，并首次发布于此仓库。该模型为 uncased 版本：不区分 english 和 English。
免责声明：发布 BERT 的团队并未为该模型编写 model card，因此本 model card 由 Hugging Face 团队编写。
模型描述
BERT 是一个 transformer 模型，以自监督方式在大量英文数据上进行了预训练。这意味着它仅基于原始文本进行预训练，没有任何人工标注（因此可以使用大量公开数据），并通过自动流程从这些文本中生成输入和标签。更准确地说，它通过两个目标进行预训练：
- 掩码语言建模（MLM）：给定一个句子，模型随机掩盖输入中 15% 的单词，然后将整个掩码句子输入模型，并预测被掩盖的单词。这与传统的循环神经网络（RNNs）不同，后者通常逐个处理单词，也与 GPT 等自回归模型不同，后者在内部掩盖未来的 token。这种方法使模型能够学习句子的双向表示。
- 下一句预测（NSP）：在预训练期间，模型将两个掩码句子拼接作为输入。有时这两个句子在原始文本中是相邻的，有时则不是。模型需要预测这两个句子是否连续。
通过这种方式，模型学习到了英语的内在表示，可用于提取下游任务所需的特征：例如，如果你有一个带标签的句子数据集，可以使用 BERT 模型产生的特征作为输入来训练一个标准分类器。
模型变体
BERT 最初发布了 base 和 large 两种变体，分别支持 cased 和 uncased 输入文本。uncased 模型还会去除重音标记。
中文和多语言的 uncased 及 cased 版本随后很快发布。
在后续工作中，通过引入全词掩码（whole word masking）改进了预处理，替代了子词掩码（subpiece masking），并发布了两个模型。
此后还发布了其他 24 个较小的模型。
详细的发布历史可在 GitHub 上的 google-research/bert readme 中查看。
| 模型 | 参数量 | 语言 |
|---|---|---|
bert-base-uncased |
110M | 英语 |
bert-large-uncased |
340M | 英语 |
bert-base-cased |
110M | 英语 |
bert-large-cased |
340M | 英语 |
bert-base-chinese |
110M | 中文 |
bert-base-multilingual-cased |
110M | 多语言 |
bert-large-uncased-whole-word-masking |
340M | 英语 |
bert-large-cased-whole-word-masking |
340M | 英语 |
预期用途与限制
你可以直接使用原始模型进行掩码语言建模或下一句预测，但其主要用途是在下游任务上进行微调。请查看 model hub 寻找你感兴趣任务的微调版本。
请注意，该模型主要面向需要利用整个句子（可能包含掩码）进行决策的任务进行微调，例如序列分类、token 分类或问答。对于文本生成等任务，你应该考虑 GPT2 等模型。
如何使用
你可以通过 pipeline 直接使用此模型进行掩码语言建模：
>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-uncased')
>>> unmasker("Hello I'm a [MASK] model.")
[{'sequence': "[CLS] hello i'm a fashion model. [SEP]",
'score': 0.1073106899857521,
'token': 4827,
'token_str': 'fashion'},
{'sequence': "[CLS] hello i'm a role model. [SEP]",
'score': 0.08774490654468536,
'token': 2535,
'token_str': 'role'},
{'sequence': "[CLS] hello i'm a new model. [SEP]",
'score': 0.05338378623127937,
'token': 2047,
'token_str': 'new'},
{'sequence': "[CLS] hello i'm a super model. [SEP]",
'score': 0.04667217284440994,
'token': 3565,
'token_str': 'super'},
{'sequence': "[CLS] hello i'm a fine model. [SEP]",
'score': 0.027095865458250046,
'token': 2986,
'token_str': 'fine'}]
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
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained("bert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)
以及在 TensorFlow 中：
from transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = TFBertModel.from_pretrained("bert-base-uncased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)
局限性与偏见
即使该模型使用的训练数据可以视为相对中立，模型仍可能产生有偏见的预测：
>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-uncased')
>>> unmasker("The man worked as a [MASK].")
[{'sequence': '[CLS] the man worked as a carpenter. [SEP]',
'score': 0.09747550636529922,
'token': 10533,
'token_str': 'carpenter'},
{'sequence': '[CLS] the man worked as a waiter. [SEP]',
'score': 0.0523831807076931,
'token': 15610,
'token_str': 'waiter'},
{'sequence': '[CLS] the man worked as a barber. [SEP]',
'score': 0.04962705448269844,
'token': 13362,
'token_str': 'barber'},
{'sequence': '[CLS] the man worked as a mechanic. [SEP]',
'score': 0.03788609802722931,
'token': 15893,
'token_str': 'mechanic'},
{'sequence': '[CLS] the man worked as a salesman. [SEP]',
'score': 0.037680890411138535,
'token': 18968,
'token_str': 'salesman'}]
>>> unmasker("The woman worked as a [MASK].")
[{'sequence': '[CLS] the woman worked as a nurse. [SEP]',
'score': 0.21981462836265564,
'token': 6821,
'token_str': 'nurse'},
{'sequence': '[CLS] the woman worked as a waitress. [SEP]',
'score': 0.1597415804862976,
'token': 13877,
'token_str': 'waitress'},
{'sequence': '[CLS] the woman worked as a maid. [SEP]',
'score': 0.1154729500412941,
'token': 10850,
'token_str': 'maid'},
{'sequence': '[CLS] the woman worked as a prostitute. [SEP]',
'score': 0.037968918681144714,
'token': 19215,
'token_str': 'prostitute'},
{'sequence': '[CLS] the woman worked as a cook. [SEP]',
'score': 0.03042375110089779,
'token': 5660,
'token_str': 'cook'}]
这种偏见也会影响该模型的所有微调版本。
训练数据
BERT 模型在 BookCorpus（包含 11,038 本未出版书籍）和 英文维基百科（排除列表、表格和标题）上进行了预训练。
训练流程
预处理
文本被转换为小写，并使用 WordPiece 和 30,000 的词汇量进行 token 化。模型的输入
正在翻译中，请稍候...