挪威自然语言处理的突破性进展
挪威国家图书馆主导开发的NoTraM项目为挪威语和北欧语言构建了基于transformer的先进语言模型。项目发布了规模可媲美英语数据集的挪威语语料库,涵盖报纸、书籍和政府文件等多种来源。此外,项目提供预训练模型、微调模型和语料库处理工具,为挪威语自然语言处理研究奠定了坚实基础。
挪威国家图书馆拥有"NoTraM - 挪威Transformer模型"项目。
挪威超大型语料库是一个开放的文本语料库,在规模和质量上可与现有的英语数据集相媲美。
该语料库的核心基于2006年启动的一个独特项目。在数字化项目中,目标一直是将所有曾经用挪威语出版的内容进行数字化并存储。此外,我们还添加了多个其他挪威语文本的公共来源。有关来源以及如何构建的详细信息,可在挪威超大型语料库说明中找到。
[语料库表格内容略]
访问语料库最简单的方法是从HuggingFace下载。该网站详细解释了如何使用语料库。它还提供了有关语料库内容的广泛信息,以及如何过滤语料库的某些部分,以及如何将其与其他挪威语数据集(如MC4和OSCAR)结合使用。
除了语料库本身,我们还提供了一组用于创建和清理语料库文件的脚本。我们还提供了一个指南,您可以按照我们的步骤为您的数据源创建语料库,以及如何创建和上传HuggingFace数据集的说明。其他工具和指南也可以在我们的指南页面上找到。我们已经将所有软件开放供任何人使用。大部分是用Python 3编写的。
以下预训练模型可用。这些模型需要在特定任务上进行微调。如果您有可用的数据集,微调是很简单的。请查看下面的Colab示例代码。通常只需更改几行代码即可适应您的任务。
[预训练模型表格内容略]
这些模型已经在特定任务上进行了微调,可以直接使用。
[微调 模型表格内容略]
NB-BERT-Base模型在下面引用的文章中进行了全面测试。以下是我们的一些结果:
[结果表格内容略]
原始模型需要针对目标任务进行微调。典型的任务是分类,建议您为这个特定任务训练一个顶层全连接层。以下笔记本将允许您测试模型,并在我们的模型基础上训练您自己的专门模型。特别是关于分类模型的笔记本,它训练了一个情感分类任务,可以很容易地适应于训练任何自然语言处理分类任务。
任务 | Colaboratory 笔记本 |
---|---|
如何使用模型进行掩码层预测(简单) | <a href="https://colab.research.google.com/gist/peregilk/f3054305cfcbefb40f72ea405b031438/nbailab-masked-layer-pipeline-example.ipynb" target="_blank"><img src="https://yellow-cdn.veclightyear.com/ab5030c0/9fe5831a-afb0-44a8-98d4-c17712c292e0.svg" alt="在 Colab 中打开"/></a> |
如何使用微调的 MNLI 版本进行零样本分类(简单) | <a href="https://colab.research.google.com/gist/peregilk/769b5150a2f807219ab8f15dd11ea449/nbailab-mnli-norwegian-demo.ipynb" target="_blank"><img src="https://yellow-cdn.veclightyear.com/ab5030c0/9fe5831a-afb0-44a8-98d4-c17712c292e0.svg" alt="在 Colab 中打开"/></a> |
如何微调分类模型(进阶) | <a href="https://colab.research.google.com/gist/peregilk/3c5e838f365ab76523ba82ac595e2fcc/nbailab-finetuning-and-evaluating-a-bert-model-for-classification.ipynb" target="_blank"><img src="https://yellow-cdn.veclightyear.com/ab5030c0/9fe5831a-afb0-44a8-98d4-c17712c292e0.svg" alt="在 Colab 中打开"/></a> |
如何微调 NER/POS 模型(进阶) | <a href="https://colab.research.google.com/gist/peregilk/6f5efea432e88199f5d68a150cef237f/-nbailab-finetuning-and-evaluating-a-bert-model-for-ner-and-pos.ipynb" target="_blank"><img src="https://yellow-cdn.veclightyear.com/ab5030c0/9fe5831a-afb0-44a8-98d4-c17712c292e0.svg" alt="在 Colab 中打开"/></a> |
本仓库发布的模型旨在用于通用目的,并可供第三方使用。这些模型可能存在偏见和/或其他不良影响。 当第三方使用这些模型(或基于这些模型的系统)部署或向其他方提供系统和/或服务,或成为这些模型的用户时,他们应注意,缓解使用带来的风险是他们的责任,并且在任何情况下都应遵守适用的法规,包括有关人工智能使用的法规。 在任何情况下,模型所有者(挪威国家图书馆)均不对第三方使用这些模型所产生的任何结果负责。
如果您使用我们的模型或语料库,请引用我们的文章:
@inproceedings{kummervold-etal-2021-operationalizing,
title = {Operationalizing a National Digital Library: The Case for a Norwegian Transformer Model},
author = {Kummervold, Per E and
De la Rosa, Javier and
Wetjen, Freddy and
Brygfjeld, Svein Arne},
booktitle = {Proceedings of the 23rd Nordic Conference on Computational Linguistics (NoDaLiDa)},
year = {2021},
address = {Reykjavik, Iceland (Online)},
publisher = {Link{\"o}ping University Electronic Press, Sweden},
url = {https://aclanthology.org/2021.nodalida-main.3},
pages = {20--29},
abstract = {In this work, we show the process of building a large-scale training set from digital and digitized collections at a national library. The resulting Bidirectional Encoder Representations from Transformers (BERT)-based language model for Norwegian outperforms multilingual BERT (mBERT) models in several token and sequence classification tasks for both Norwegian Bokm{\aa}l and Norwegian Nynorsk. Our model also improves the mBERT performance for other languages present in the corpus such as English, Swedish, and Danish. For languages not included in the corpus, the weights degrade moderately while keeping strong multilingual properties. Therefore, we show that building high-quality models within a memory institution using somewhat noisy optical character recognition (OCR) content is feasible, and we hope to pave the way for other memory institutions to follow.},
}
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多 功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加 速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号