82 lines
2.9 KiB
Markdown
82 lines
2.9 KiB
Markdown
<!--Copyright 2020 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with
|
|
the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on
|
|
an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations under the License.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# BertJapanese
|
|
|
|
## Overview
|
|
|
|
BERT モデルは日本語テキストでトレーニングされました。
|
|
|
|
2 つの異なるトークン化方法を備えたモデルがあります。
|
|
|
|
- MeCab と WordPiece を使用してトークン化します。これには、[MeCab](https://taku910.github.io/mecab/) のラッパーである [fugashi](https://github.com/polm/fugashi) という追加の依存関係が必要です。
|
|
- 文字にトークン化します。
|
|
|
|
*MecabTokenizer* を使用するには、`pip installTransformers["ja"]` (または、インストールする場合は `pip install -e .["ja"]`) する必要があります。
|
|
ソースから）依存関係をインストールします。
|
|
|
|
[cl-tohakuリポジトリの詳細](https://github.com/cl-tohaku/bert-japanese)を参照してください。
|
|
|
|
MeCab および WordPiece トークン化でモデルを使用する例:
|
|
|
|
|
|
```python
|
|
>>> import torch
|
|
>>> from transformers import AutoModel, AutoTokenizer
|
|
|
|
>>> bertjapanese = AutoModel.from_pretrained("cl-tohoku/bert-base-japanese")
|
|
>>> tokenizer = AutoTokenizer.from_pretrained("cl-tohoku/bert-base-japanese")
|
|
|
|
>>> ## Input Japanese Text
|
|
>>> line = "吾輩は猫である。"
|
|
|
|
>>> inputs = tokenizer(line, return_tensors="pt")
|
|
|
|
>>> print(tokenizer.decode(inputs["input_ids"][0]))
|
|
[CLS] 吾輩 は 猫 で ある 。 [SEP]
|
|
|
|
>>> outputs = bertjapanese(**inputs)
|
|
```
|
|
|
|
文字トークン化を使用したモデルの使用例:
|
|
|
|
```python
|
|
>>> bertjapanese = AutoModel.from_pretrained("cl-tohoku/bert-base-japanese-char")
|
|
>>> tokenizer = AutoTokenizer.from_pretrained("cl-tohoku/bert-base-japanese-char")
|
|
|
|
>>> ## Input Japanese Text
|
|
>>> line = "吾輩は猫である。"
|
|
|
|
>>> inputs = tokenizer(line, return_tensors="pt")
|
|
|
|
>>> print(tokenizer.decode(inputs["input_ids"][0]))
|
|
[CLS] 吾 輩 は 猫 で あ る 。 [SEP]
|
|
|
|
>>> outputs = bertjapanese(**inputs)
|
|
```
|
|
|
|
<Tip>
|
|
|
|
- この実装はトークン化方法を除いて BERT と同じです。その他の使用例については、[BERT のドキュメント](bert) を参照してください。
|
|
|
|
</Tip>
|
|
|
|
このモデルは[cl-tohaku](https://huggingface.co/cl-tohaku)から提供されました。
|
|
|
|
## BertJapaneseTokenizer
|
|
|
|
[[autodoc]] BertJapaneseTokenizer
|