
CANINE是一種高效的字符級別轉換器,我們提供了Pytorch實現和預訓練的日語模型。
其他語言的說明
統計
統計資料截至 2026年11月17日
GitHub Star 數
89
±0 (10月13日〜)
套件每週下載數
38
套件累計下載數
9,000
最後提交
2023年11月
GitHub 建立日期
2021年4月16日
收錄日
2022年6月9日
Star 數變化
以表格顯示
| 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 |
各月最後一次快照。1,000 以上的 Star 數以 100 為單位四捨五入。
在 PyPI 上的使用
PyPI 套件:shiba-model · 至 2026年10月 的每月數值(ClickPy)
近一年下載數
2,793
來自日本的比例(近一年)
0.7%
依賴它的 PyPI 套件
1
其中必要依賴 1
PyPI 每月下載數
以表格顯示
| 月份 | 下載數(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 |
同分類的熱門資源
lukestudio-ousia727LUKE -- 基於知識嵌入的語言理解
bert-japanesecl-tohoku551日文文本的BERT模型。
bert-japaneseyoheikikuta497使用SentencePiece的BERT模型進行日文文本處理。
gpt2-japanesetanreinama322日本語GPT2生成モデル
japanese-dialog-transformersnttcslab247NTT有限公司提供的評估日語預訓練模型的代碼。
DistilBERT-base-jpBandaiNamcoResearchInc161一個在維基百科上訓練的日本DistilBERT預訓練模型。
研究領域相近的資源
- line-distilbert-base-japaneseline-corporation14kLINE DistilBERT Japanese 是一個 66‑million‑parameter 的 DistilBERT 模型,使用內部 BERT‑base 教師在 131 GB 的日本網路文本上進行預訓練,並於 JGLUE 上評估,採用 MeCab Unidic 與 SentencePiece 進行分詞,於 Apache 2.0 授權下釋出。HF 模型共同: 表示學習・語言模型
LINE-DistilBERT-Japaneseline47DistilBERT模型預先在131 GB的日本網頁文本上進行了預訓練。教師模型是LINE內部建立的BERT-base模型。共同: 表示學習・語言模型- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 預訓練於 2019 年日本維基百科,使用 IPA 字典與整詞掩碼,12 層、768 維,32,000 詞表,512 令牌序列,1 百萬步;可於 cl‑tohoku/bert‑japanese 在 CC‑BY‑SA 條款下取得。HF 模型共同: 表示學習・句法文本處理
- bert-base-japanese-char-v3tohoku-nlp130kJapanese‑language BERT‑Base(12層,768‑次元,12頭)以 Unidic 為基礎的單詞層級加字符層級標記化以及整詞遮蔽,在 CC‑100 和 2023 Wikipedia 上進行預訓練,產生了 7,027‑token 詞彙。HF 模型共同: 表示學習・句法文本處理
- bert-base-japanese-char-v2tohoku-nlp55k一個 BERT‑base 日語模型(12 層,768 維隱藏狀態,12 頭)在 30 M 句子(約 4 GB)上訓練,使用 Unidic 2.1.2 詞級分詞,隨後進行字級分詞和整詞遮蔽,使用 512 令牌序列、256 批次及 1 M 訓練步驟。HF 模型共同: 表示學習・句法文本處理
- bert-base-japanese-chartohoku-nlp11k一個 BERT‑base 日語模型(12 層,768‑維隱藏,12 頭),在約 1700 萬句來自日語維基百科(2.6 GB)的資料上進行預訓練,使用 MeCab IPA 單詞級分詞,隨後進行字符級分詞,建立一個 4000 單詞詞彙表。訓練程式碼位於 cl‑tohoku/bert‑japanese,並以 CC BY‑SA 3.0 釋出。HF 模型共同: 表示學習・句法文本處理