For my final project I was thinking of using Arabic text to train a text model on RunwayML. I've gathered so many Arabic articles that talk about technology and combined them into one file and exported it as .txt using a UTF-8-character encoding. Alas, the file is still too small, 15 pages of text turned out to be 103 kb, I need 10 TIMES more pages to increase the file size to 1MB. Finally, after many hours of copy pasting, I reached the 1MB with a total of 154 pages.
I've uploaded the dataset and selected 'small' under the initial pre-trained model and took about 30 minutes for the experiment to be done.
Even though the result is gibberish, the perplexity score is 4.99 which is pretty low. I’ve noticed that Arabic text is written from left to right which is inaccurate. Arabic is usually written and read from right to left. Nonetheless, I was surprised when I found the spelling is correct throughout the whole outcome.
I will paste the result text below and feel free to google translate it to English. It doesn’t make any sense, just saying!
ذهب الأخيرة بما أن المسافة الخاصة بالجامعة المقبول الأولى حوالة ذاتها بعض الطبيقات عن هاتف بعض الطبية أولياً بما يواقع المشركة التي تحتويات نججمة بشركة تصديح الأطباء، على عام 2019.وأكد أن أن أكثر من اطلاع إطلاق الطبيقة الأولى بينحاك أن يجأن أنها في جميع تصديح الطبيقة بطريقة أولياً، ويأتي يوقع لأن أكثر من البشرين الماضيي في مساعدة من كثيرة أولياً.وفي عمل أن أكثر من الطبيقات على إلى شركة تصديح الطبيقة الأولى مثل اعتمادة من تشغيل المشارسين والمقبلة عن طريقات أولياً بين البشرين الأولى لمدين أو الصليات الحوي لللكافة المصر، ولأن أكثر بالطبيقات توقع اختراع المقبلة بينحاك مساعدة أو الطبيقات الأولى، ويقد بشركة تصديح نجاحة البيانات الأولى لمساعدة في طريقة البشرين بالحماية الأولى.وتطبيق الفضاء في طريقات التصديح الأولى أن طريقات التصديح الأولى المعنية في حالياً، مثل أنها تم انتشار من تشغيل المشارسين والمقبلة عن طريقات إدارة أو الصليات، حيث تأكيد في حالياً وزير الجهات المحلكة عن طريقات التصديح بشركات البشرين بالطبيقة.وأما تشغيل الأولى الذي في المعايرات الجديدة عندما يواقع ما يواقع الأخبراء عن شركة تصديح الطبيقات الأولى في التحويل المعلاجين عن نقطة تطبيقات الكبيرة في منصة الأشخاص في المجال باستكانت في القدرة عن عام 2019.قد أنها تتراسب المشارسية الأولى تواصل إلى من خلالف شركة تصديح الطبيقة، في الصحة إلى البشركة من تقفيلة من المعلومات، إذ اقتراح كلاسة جديدة من المقبلة بالمشكل إلى مزمات مختلف.يمن الذي يمكن بشأن البريطان الإنجازية في إشاء الجانب وتقنيات المشاركة في أسهم الأولى عن هذا الجهات المشاركة في مكالًا بسبتها لمنحة بحيث تتطبيقات على القدرة الإنجازية التي تجاربها من المشاركة التوقع عن طريقات الجديدة المحطوبة لمكالًا.وكان تشريطت الفضاء عن عام 2022 التقديم المشاركة على أولى جهات المشاركة الفيومية على الكاسبية الأخبر على البناء عن طريقات الحالية في القدرة على الأخبراء على هذا الجهات المشاركة المكالفية.وفي جانبا الشأن المعلومات التي تم تحت هي شحن كيانتشا المحلوج، عن إضافة الإصليات التقنية، وأحدت من طريقات الجهات الذي إذا يواقع الأخبراء عن الطريقات المشاركة، أيضافة في بيئات عمدملة الإصدار الفوليدين على تقنيل المستخدمة
You see what I mean by Arabic is written from right to left, I mean, Wix gets it.
The articles are from: