
Shiba 的 AllenNLP 整合:日本 CANINE 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
12
±0 (10月13日〜)
套件每週下載數
26
套件累計下載數
24,000
最後提交
2021年6月
GitHub 建立日期
2021年6月26日
收錄日
2022年7月29日
Star 數變化
以表格顯示
| 月份 | 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:allennlp-shiba · 至 2026年10月 的每月數值(ClickPy)
近一年下載數
4,725
來自日本的比例(近一年)
0.8%
依賴它的 PyPI 套件
0
其中必要依賴 0
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 | 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 |
同分類的熱門資源
研究領域相近的資源
- 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
- bert-base-japanese-v2tohoku-nlp9kJapanese BERT‑base (12 層, 768 hidden, 12 heads) 以 4 GB 的日本 Wikipedia(約 30 M 句)為預訓練資料,使用 Unidic 2.1.2 文字級別分詞、WordPiece 子分詞,與整詞掩碼。HF 模型共同: 表示學習・句法文本處理
- bert-base-japanesetohoku-nlp9k一個基於 BERT base 的模型,預訓練於約 17 M 日文 Wikipedia 句子(2.6 GB),採用 IPA dictionary 與 WordPiece 進行 tokenization,擁有 12 layers/768‑dim hidden states/12 heads,32 000‑token 詞彙表,於 Cloud TPUs 上訓練 1 M steps,並以 CC‑BY‑SA 3.0 發布。HF 模型共同: 表示學習・句法文本處理