---
language:
- ja
license: mit
tags:
- question-answering
- generated_from_trainer
- bert
- jaquad
datasets: SkelterLabsInc/JaQuAD
inference:
  parameters:
    align_to_words: false
widget:
- text: 決勝トーナメントで日本に勝ったのはどこでしたか。
  context: 日本は予選リーグで強豪のドイツとスペインに勝って決勝トーナメントに進んだが、クロアチアと対戦して敗れた。
- text: 8世紀に日本の首都はどこでしたか。
  context: 8世紀に日本の首都であった奈良を代表する寺院である東大寺は、「古都奈良の文化財」の一部として世界遺産に登録されている。東大寺には、「奈良の大仏」として知られる、高さ約15メートルの盧舎那仏像をはじめ、日本仏教美術史を代表する著名作品が多く所蔵されている。
- text: 「奈良の大仏」の高さは何メートルなの?
  context: 8世紀に日本の首都であった奈良を代表する寺院である東大寺は、「古都奈良の文化財」の一部として世界遺産に登録されている。東大寺には、「奈良の大仏」として知られる、高さ約15メートルの盧舎那仏像をはじめ、日本仏教美術史を代表する著名作品が多く所蔵されている。
base_model: rinna/japanese-roberta-base
model-index:
- name: roberta_qa_japanese
  results: []
---

<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->

# roberta_qa_japanese

(Japanese caption : 日本語の (抽出型) 質問応答のモデル)

This model is a fine-tuned version of [rinna/japanese-roberta-base](https://huggingface.co/rinna/japanese-roberta-base) (pre-trained RoBERTa model provided by rinna Co., Ltd.) trained for extractive question answering.

The model is fine-tuned on [JaQuAD](https://huggingface.co/datasets/SkelterLabsInc/JaQuAD) dataset provided by Skelter Labs, in which data is collected from Japanese Wikipedia articles and annotated by a human.

## Intended uses

When running with a dedicated pipeline :

```python
from transformers import pipeline

model_name = "tsmatz/roberta_qa_japanese"
qa_pipeline = pipeline(
    "question-answering",
    model=model_name,
    tokenizer=model_name)
result = qa_pipeline(
    question = "決勝トーナメントで日本に勝ったのはどこでしたか。",
    context = "日本は予選リーグで強豪のドイツとスペインに勝って決勝トーナメントに進んだが、クロアチアと対戦して敗れた。",
    align_to_words = False,
)
print(result)
```

When manually running through forward pass :

```python
import torch
import numpy as np
from transformers import AutoModelForQuestionAnswering, AutoTokenizer

model_name = "tsmatz/roberta_qa_japanese"
model = (AutoModelForQuestionAnswering
         .from_pretrained(model_name))
tokenizer = AutoTokenizer.from_pretrained(model_name)

def inference_answer(question, context):
    question = question
    context = context
    test_feature = tokenizer(
        question,
        context,
        max_length=318,
    )
    with torch.no_grad():
        outputs = model(torch.tensor([test_feature["input_ids"]]))
    start_logits = outputs.start_logits.cpu().numpy()
    end_logits = outputs.end_logits.cpu().numpy()
    answer_ids = test_feature["input_ids"][np.argmax(start_logits):np.argmax(end_logits)+1]
    return "".join(tokenizer.batch_decode(answer_ids))

question = "決勝トーナメントで日本に勝ったのはどこでしたか。"
context = "日本は予選リーグで強豪のドイツとスペインに勝って決勝トーナメントに進んだが、クロアチアと対戦して敗れた。"
answer_pred = inference_answer(question, context)
print(answer_pred)
```

## Training procedure

You can download the source code for fine-tuning from [here](https://github.com/tsmatz/huggingface-finetune-japanese/blob/master/03-question-answering.ipynb).

### Training hyperparameters

The following hyperparameters were used during training:
- learning_rate: 7e-05
- train_batch_size: 2
- eval_batch_size: 1
- seed: 42
- gradient_accumulation_steps: 16
- total_train_batch_size: 32
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- lr_scheduler_warmup_steps: 100
- num_epochs: 3

### Training results

| Training Loss | Epoch | Step | Validation Loss |
|:-------------:|:-----:|:----:|:---------------:|
| 2.1293        | 0.13  | 150  | 1.0311          |
| 1.1965        | 0.26  | 300  | 0.6723          |
| 1.022         | 0.39  | 450  | 0.4838          |
| 0.9594        | 0.53  | 600  | 0.5174          |
| 0.9187        | 0.66  | 750  | 0.4671          |
| 0.8229        | 0.79  | 900  | 0.4650          |
| 0.71          | 0.92  | 1050 | 0.2648          |
| 0.5436        | 1.05  | 1200 | 0.2665          |
| 0.5045        | 1.19  | 1350 | 0.2686          |
| 0.5025        | 1.32  | 1500 | 0.2082          |
| 0.5213        | 1.45  | 1650 | 0.1715          |
| 0.4648        | 1.58  | 1800 | 0.1563          |
| 0.4698        | 1.71  | 1950 | 0.1488          |
| 0.4823        | 1.84  | 2100 | 0.1050          |
| 0.4482        | 1.97  | 2250 | 0.0821          |
| 0.2755        | 2.11  | 2400 | 0.0898          |
| 0.2834        | 2.24  | 2550 | 0.0964          |
| 0.2525        | 2.37  | 2700 | 0.0533          |
| 0.2606        | 2.5   | 2850 | 0.0561          |
| 0.2467        | 2.63  | 3000 | 0.0601          |
| 0.2799        | 2.77  | 3150 | 0.0562          |
| 0.2497        | 2.9   | 3300 | 0.0516          |


### Framework versions

- Transformers 4.23.1
- Pytorch 1.12.1+cu102
- Datasets 2.6.1
- Tokenizers 0.13.1