README.md

RoBERTa-base Korean

모델 설명

이 RoBERTa 모델은 다양한 한국어 텍스트 데이터셋에서 음절 단위로 사전 학습되었습니다. 자체 구축한 한국어 음절 단위 vocab을 사용하였습니다.

아키텍처

• 모델 유형: RoBERTa
• 아키텍처: RobertaForMaskedLM
• 모델 크기: 256 hidden size, 8 hidden layers, 8 attention heads
• max_position_embeddings: 514
• intermediate_size: 2048
• vocab_size: 1428

학습 데이터

사용된 데이터셋은 다음과 같습니다:

• 모두의말뭉치: 채팅, 게시판, 일상대화, 뉴스, 방송대본, 책 등
• AIHUB: SNS, 유튜브 댓글, 도서 문장
• 기타: 나무위키, 한국어 위키피디아

총 합산된 데이터는 약 11GB 입니다.

학습 상세

• BATCH_SIZE: 112 (GPU당)
• ACCUMULATE: 36
• MAX_STEPS: 12,500
• Train Steps*Batch Szie: 100M
• WARMUP_STEPS: 2,400
• 최적화: AdamW, LR 1e-3, BETA (0.9, 0.98), eps 1e-6
• 학습률 감쇠: linear
• 사용된 하드웨어: 2x RTX 8000 GPU

사용 방법

tokenizer의 경우 wordpiece가 아닌 syllable 단위이기에 AutoTokenizer가 아니라 SyllableTokenizer를 사용해야 합니다.

(레포에서 제공하고 있는 syllabletokenizer.py를 가져와서 사용해야 합니다.)

from transformers import AutoModel, AutoTokenizer
from syllabletokenizer import SyllableTokenizer

# 모델과 토크나이저 불러오기
model = AutoModelForMaskedLM.from_pretrained("Trofish/korean_syllable_roberta")
tokenizer = SyllableTokenizer(vocab_file='vocab.json',**tokenizer_kwargs)

# 텍스트를 토큰으로 변환하고 예측 수행
inputs = tokenizer("여기에 한국어 텍스트 입력", return_tensors="pt")
outputs = model(**inputs)