/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
roberta · dense
Опубликована
2 мар 2022

bio-lm

Заполнение пропусковТекст → текст3 профессии

Англоязычная RoBERTa, дополнительно обученная на научных текстах по биологии для заполнения пропусков и адаптации к задачам разметки токенов.

99скачиваний за 30 дней0лайковвеса обновлены27 мар 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

EMBO/bio-lm — предварительно обученная языковая модель RoBERTa base, разработанная на основе roberta-base и дополнительно обученная командой EMBO на задаче восстановления замаскированных токенов. Обучение проводилось на наборе BioLang: около 12 миллионов англоязычных научных текстовых примеров из аннотаций и подписей к рисункам в публикациях по биологии и наукам о жизни.

Модель предназначена прежде всего для дальнейшей тонкой настройки под прикладные задачи, в частности классификацию токенов. В готовом виде она поддерживает заполнение пропусков в тексте; примеры использования следует запускать с токенизатором roberta-base. Архитектура — плотная RoBERTa с примерно 151,8 млн параметров и контекстом до 514 токенов. Доступны форматы PyTorch и Flax.

Модель специализируется на англоязычном научном тексте о науках о жизни, что может быть полезно при адаптации для извлечения и разметки биомедицинских сущностей. Для конкретных прикладных задач её необходимо дообучить. Лицензия в предоставленных данных не указана.

Сценарии применения

  • заполнение пропущенных слов в научных текстах по биологии
  • дообучение для распознавания биомедицинских сущностей
  • классификация токенов в аннотациях научных статей
  • адаптация к извлечению терминов из подписей к рисункам

Ограничения

Для прикладных задач модель требуется дообучить; согласно README, следует использовать токенизатор roberta-base. Модель обучалась на англоязычных научных текстах по наукам о жизни, поэтому её применимость к другим языкам и областям не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bio-lm

Model description

This model is a RoBERTa base pre-trained model that was further trained using a masked language modeling task on a compendium of english scientific textual examples from the life sciences using the BioLang dataset.

Intended uses & limitations

How to use

The intended use of this model is to be fine-tuned for downstream tasks, token classification in particular.

To have a quick check of the model as-is in a fill-mask task:

from transformers import pipeline, RobertaTokenizerFast
tokenizer = RobertaTokenizerFast.from_pretrained('roberta-base', max_len=512)
text = "Let us try this model to see if it <mask>."
fill_mask = pipeline(
    "fill-mask",
    model='EMBO/bio-lm',
    tokenizer=tokenizer
)
fill_mask(text)

Limitations and bias

This model should be fine-tuned on a specifi task like token classification. The model must be used with the roberta-base tokenizer.

Training data

The model was trained with a masked language modeling taskon the BioLang dataset wich includes 12Mio examples from abstracts and figure legends extracted from papers published in life sciences.

Training procedure

The training was run on a NVIDIA DGX Station with 4XTesla V100 GPUs.

Training code is available at https://github.com/source-data/soda-roberta

  • Command: python -m lm.train /data/json/oapmc_abstracts_figs/ MLM
  • Tokenizer vocab size: 50265
  • Training data: EMBO/biolang MLM
  • Training with: 12005390 examples
  • Evaluating on: 36713 examples
  • Epochs: 3.0
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • learning_rate: 5e-05
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • tensorboard run: lm-MLM-2021-01-27T15-17-43.113766

End of training:

trainset: 'loss': 0.8653350830078125
validation set: 'eval_loss': 0.8192330598831177, 'eval_recall': 0.8154601116513597

Eval results

Eval on test set:

recall: 0.814471959728645

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
ad1b251

0 моделей