
ShibaのためのAllenNLP統合:日本のCANINEモデル
他の言語の説明
統計
2026年11月17日時点の統計
GitHub の Star 数
12
±0 (10月13日〜)
パッケージの週間ダウンロード数
26
パッケージの累計ダウンロード数
24,000
最終コミット
2021年6月
GitHub での作成日
2021年6月26日
掲載日
2022年7月29日
Star 数の推移
数値を表で見る
| 月 | Star |
|---|---|
| 2025年12月 | 12 |
| 2026年1月 | 12 |
| 2026年2月 | 12 |
| 2026年3月 | 12 |
| 2026年4月 | 12 |
| 2026年5月 | 12 |
| 2026年6月 | 12 |
| 2026年7月 | 12 |
| 2026年8月 | 12 |
| 2026年9月 | 12 |
| 2026年10月 | 12 |
| 2026年11月 | 12 |
各月の最後のスナップショット。Star 数は 1,000 以上では 100 単位に丸められています。
PyPI での利用
PyPI パッケージ: allennlp-shiba · 2026年10月までの月間値(ClickPy)
直近1年のダウンロード数
4,725
日本からの割合(直近1年)
0.8%
依存している PyPI パッケージ
0
うち必須の依存 0
PyPI の月間ダウンロード数
数値を表で見る
| 月 | ダウンロード数(月) |
|---|---|
| 2019年1月 | — |
| 2019年2月 | — |
| 2019年3月 | — |
| 2019年4月 | — |
| 2019年5月 | — |
| 2019年6月 | — |
| 2019年7月 | — |
| 2019年8月 | — |
| 2019年9月 | — |
| 2019年10月 | — |
| 2019年11月 | — |
| 2019年12月 | — |
| 2020年1月 | — |
| 2020年2月 | — |
| 2020年3月 | — |
| 2020年4月 | — |
| 2020年5月 | — |
| 2020年6月 | — |
| 2020年7月 | — |
| 2020年8月 | — |
| 2020年9月 | — |
| 2020年10月 | — |
| 2020年11月 | — |
| 2020年12月 | — |
| 2021年1月 | — |
| 2021年2月 | — |
| 2021年3月 | — |
| 2021年4月 | — |
| 2021年5月 | — |
| 2021年6月 | 700 |
| 2021年7月 | 812 |
| 2021年8月 | 457 |
| 2021年9月 | 340 |
| 2021年10月 | 413 |
| 2021年11月 | 424 |
| 2021年12月 | 370 |
| 2022年1月 | 321 |
| 2022年2月 | 405 |
| 2022年3月 | 806 |
| 2022年4月 | 317 |
| 2022年5月 | 223 |
| 2022年6月 | 310 |
| 2022年7月 | 237 |
| 2022年8月 | 367 |
| 2022年9月 | 271 |
| 2022年10月 | 296 |
| 2022年11月 | 314 |
| 2022年12月 | 243 |
| 2023年1月 | 204 |
| 2023年2月 | 334 |
| 2023年3月 | 318 |
| 2023年4月 | 264 |
| 2023年5月 | 253 |
| 2023年6月 | 242 |
| 2023年7月 | 293 |
| 2023年8月 | 258 |
| 2023年9月 | 172 |
| 2023年10月 | 211 |
| 2023年11月 | 235 |
| 2023年12月 | 219 |
| 2024年1月 | 233 |
| 2024年2月 | 250 |
| 2024年3月 | 252 |
| 2024年4月 | 280 |
| 2024年5月 | 178 |
| 2024年6月 | 236 |
| 2024年7月 | 302 |
| 2024年8月 | 290 |
| 2024年9月 | 320 |
| 2024年10月 | 1,686 |
| 2024年11月 | 649 |
| 2024年12月 | 341 |
| 2025年1月 | 428 |
| 2025年2月 | 409 |
| 2025年3月 | 451 |
| 2025年4月 | 457 |
| 2025年5月 | 232 |
| 2025年6月 | 231 |
| 2025年7月 | 251 |
| 2025年8月 | 225 |
| 2025年9月 | 257 |
| 2025年10月 | 229 |
| 2025年11月 | 255 |
| 2025年12月 | 205 |
| 2026年1月 | 250 |
| 2026年2月 | 323 |
| 2026年3月 | 294 |
| 2026年4月 | 233 |
| 2026年5月 | 1,338 |
| 2026年6月 | 938 |
| 2026年7月 | 346 |
| 2026年8月 | 254 |
| 2026年9月 | 123 |
| 2026年10月 | 166 |
同じカテゴリで人気のリソース
ginza-transformersmegagonlabs16spacy-transformersでカスタムトークナイザーを使用する
compare-ja-tokenizerhitachi-nlp6異なるトークナイザーは、スクリプト連続言語における下流タスクでどのように機能するか?:日本語のケーススタディ - ACL SRW 2023
jptranstokenizerretarfi5トランスフォーマーライブラリの日本語トークナイザー
JGLUEyahoojapan349JGLUE:日本語一般言語理解評価
llm-jp-evalllm-jp175このツールは、複数のデータセットを横断して日本語の大規模言語モデルを自動評価するものです.
jp-stabletree155JP言語モデル評価ハーネス
研究分野が近いリソース
- bert-base-japanese-whole-word-maskingtohoku-nlp462k2019年の日本語Wikipediaを対象に、IPA辞書と全単語マスキングを用いて事前学習されたJapanese BERT‑base、12層、768次元、32,000語語彙、512トークンシーケンス、1Mステップ、CC‑BY‑SAの下でcl‑tohoku/bert‑japaneseから入手可能。HF モデル共通: 表現学習・統語的テキスト処理
- bert-base-japanese-char-v3tohoku-nlp130kJapanese‑language BERT‑Base (12 layers, 768‑dim, 12 heads)は、Unidic‑based word‑level plus character‑level tokenizationとwhole‑word maskingをCC‑100と2023 Wikipediaで事前学習し、7,027‑token vocabularyを生成する。HF モデル共通: 表現学習・統語的テキスト処理
- bert-base-japanese-char-v2tohoku-nlp55kBERT‑base Japanese model(12層、768‑次元の hidden states、12ヘッド)を、30 M Wikipedia 文(約4 GB)で Unidic 2.1.2 を用いた単語レベルトークン化の後、文字レベルトークン化と全単語マスクを行い、512トークンのシーケンス、256バッチ、1 M トレーニングステップで訓練しました。HF モデル共通: 表現学習・統語的テキスト処理
- bert-base-japanese-chartohoku-nlp11k日本語のBERT‑baseモデル(12層、768次元の隠れレイヤー、12ヘッド)は、MeCab IPA単語レベルトークン化を経て文字レベルトークン化で4000語語彙に変換し、約1700万文(2.6 GB)の日本語Wikipediaで事前学習されました。学習コードはcl‑tohoku/bert‑japaneseにあり、CC BY‑SA 3.0 でリリースされています。HF モデル共通: 表現学習・統語的テキスト処理
- bert-base-japanese-v2tohoku-nlp9kJapanese BERT‑base (12 layers, 768 hidden, 12 heads) は、Unidic 2.1.2 単語レベルトークナイゼーション、WordPiece サブトークナイズ、および whole‑word マスクリングを使用し、4 GBの日本語Wikipedia(約30 M文)で事前学習されています。HF モデル共通: 表現学習・統語的テキスト処理
- bert-base-japanesetohoku-nlp9k約17 Mの日本語Wikipedia文(2.6 GB)で事前学習済みのBERT base modelで、IPA dictionaryとWordPieceでトークナイズし、12層/768-dim hidden states/12 headsを有し、32 000-token vocabularyを備え、1 MステップでCloud TPUs上で訓練され、CC‑BY‑SA 3.0でリリースされています。HF モデル共通: 表現学習・統語的テキスト処理