mt5_correct_puntuation

本模型使用中文維基百科語料微調 google/mt5-base預訓練模型之中文標點符號訂正器。目前之準確率為 0.794。

This is a google/mt5-base model trained on Mandarin Wikipedia corpus and finetuned for Mandarin punctuation correction. Currently the accuracy is 0.794.

Datasets

模型使用中文維基百科公開資料微調。將取得的文本以「。」或「，」切分為不超過100字的句子。因為逗號和句號數量壓倒性地多，為盡量平衡資料集，僅保留包含冒號、分號、驚嘆號、問號的句子，作為正確句。將正確句之「，。：；、！？」隨機以「，。：；、！？」，製作為不正確句。訓練用句子共有291,112句。

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 5e-05
• train_batch_size: 4
• eval_batch_size: 4
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 1

Framework versions

• Transformers 4.20.1
• Pytorch 1.12.0+cu113
• Datasets 2.3.2
• Tokenizers 0.12.1