
CANINE是一种高效的字符级转换器,提供了Pytorch实现和预训练的日语模型。
其他语言的说明
统计
统计数据截至 2026年11月17日
GitHub Star 数
89
±0 (10月13日〜)
软件包每周下载数
38
软件包累计下载数
9,000
最后提交
2023年11月
GitHub 创建日期
2021年4月16日
收录日
2022年6月9日
Star 数变化
以表格显示
| 月份 | Star |
|---|---|
| 2025年12月 | 89 |
| 2026年1月 | 89 |
| 2026年2月 | 89 |
| 2026年3月 | 89 |
| 2026年4月 | 89 |
| 2026年5月 | 89 |
| 2026年6月 | 89 |
| 2026年7月 | 89 |
| 2026年8月 | 89 |
| 2026年9月 | 89 |
| 2026年10月 | 89 |
| 2026年11月 | 89 |
各月最后一次快照。1,000 以上的 Star 数按 100 取整。
在 PyPI 上的使用
PyPI 包:shiba-model · 截至 2026年10月 的月度数值(ClickPy)
近一年下载量
2,793
来自日本的比例(近一年)
0.7%
依赖它的 PyPI 包
1
其中必需依赖 1
PyPI 月度下载量
以表格显示
| 月份 | 下载量(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 | 314 |
| 2021年7月 | 191 |
| 2021年8月 | 176 |
| 2021年9月 | 182 |
| 2021年10月 | 124 |
| 2021年11月 | 118 |
| 2021年12月 | 90 |
| 2022年1月 | 93 |
| 2022年2月 | 98 |
| 2022年3月 | 226 |
| 2022年4月 | 88 |
| 2022年5月 | 127 |
| 2022年6月 | 102 |
| 2022年7月 | 86 |
| 2022年8月 | 84 |
| 2022年9月 | 78 |
| 2022年10月 | 95 |
| 2022年11月 | 103 |
| 2022年12月 | 70 |
| 2023年1月 | 82 |
| 2023年2月 | 78 |
| 2023年3月 | 76 |
| 2023年4月 | 85 |
| 2023年5月 | 412 |
| 2023年6月 | 146 |
| 2023年7月 | 131 |
| 2023年8月 | 127 |
| 2023年9月 | 101 |
| 2023年10月 | 86 |
| 2023年11月 | 118 |
| 2023年12月 | 90 |
| 2024年1月 | 95 |
| 2024年2月 | 106 |
| 2024年3月 | 84 |
| 2024年4月 | 107 |
| 2024年5月 | 50 |
| 2024年6月 | 84 |
| 2024年7月 | 113 |
| 2024年8月 | 101 |
| 2024年9月 | 164 |
| 2024年10月 | 210 |
| 2024年11月 | 128 |
| 2024年12月 | 139 |
| 2025年1月 | 142 |
| 2025年2月 | 143 |
| 2025年3月 | 179 |
| 2025年4月 | 181 |
| 2025年5月 | 102 |
| 2025年6月 | 82 |
| 2025年7月 | 82 |
| 2025年8月 | 116 |
| 2025年9月 | 117 |
| 2025年10月 | 85 |
| 2025年11月 | 117 |
| 2025年12月 | 130 |
| 2026年1月 | 88 |
| 2026年2月 | 97 |
| 2026年3月 | 141 |
| 2026年4月 | 106 |
| 2026年5月 | 896 |
| 2026年6月 | 724 |
| 2026年7月 | 253 |
| 2026年8月 | 81 |
| 2026年9月 | 54 |
| 2026年10月 | 106 |
同分类的热门资源
lukestudio-ousia727LUKE -- 基于知识嵌入的语言理解
bert-japanesecl-tohoku551用于日语文本的BERT模型。
bert-japaneseyoheikikuta497使用SentencePiece的BERT模型用于日语文本。
gpt2-japanesetanreinama322日本GPT2生成模型
japanese-dialog-transformersnttcslab247NTT有提供用于评估日语预训练模型的代码。
DistilBERT-base-jpBandaiNamcoResearchInc161一个在维基百科上训练的日本DistilBERT预训练模型。
研究领域相近的资源
- line-distilbert-base-japaneseline-corporation14kLINE DistilBERT Japanese 是一个 6600 万参数的 DistilBERT 模型,已在 131 GB 的日语网页文本上使用内部 BERT‑base 教师进行预训练,评估基准为 JGLUE,采用 MeCab Unidic 与 SentencePiece 进行分词,并以 Apache 2.0 许可证发布。HF 模型共同: 表示学习・语言模型
LINE-DistilBERT-Japaneseline47DistilBERT模型在131GB的日语网络文本上进行了预训练。教师模型是LINE内部构建的BERT-base模型。共同: 表示学习・语言模型- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 在 2019 年日本维基百科上预训练,使用 IPA‑dictionary 与全词掩码,12 层 768 维,32,000 词表,512 标记序列,1 M 步骤,可在 cl‑tohoku/bert‑japanese 获取,遵循 CC‑BY‑SA 许可。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-char-v3tohoku-nlp130k日本语言 BERT‑Base(12 层,768 维,12 头)使用 Unidic 基于词级加字符级分词和全词掩码在 CC‑100 及 2023 Wikipedia 上进行预训练,产生 7,027 名词表。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-char-v2tohoku-nlp55k一个 BERT‑base 日语模型(12 层,768-维隐藏状态,12 头),在 3000 万条维基百科句子(约 4 GB)上训练,使用 Unidic 2.1.2 词级分词,随后进行字符级分词和全词掩码,使用 512 令牌序列,256 批次,以及 1 M 训练步骤。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-chartohoku-nlp11k一个 BERT‑base 日语模型(12 层,768 维隐藏,12 头),使用 MeCab IPA 词级分词后再进行字符级分词生成 4000 词的词表,在约 1700 万句来自日语维基百科(2.6 GB)的句子上预训练,训练代码位于 cl‑tohoku/bert‑japanese,采用 CC BY‑SA 3.0 许可证发布。HF 模型共同: 表示学习・句法文本处理