/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
13 мая 2022

bert-base-cased-finetuned-squad

Ответы на вопросыТекст → текст5 профессий

BERT, дообученная на SQuAD, извлекает ответы на вопросы из предоставленного текста.

47скачиваний за 30 дней0лайковвеса обновлены16 мая 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

SreyanG-NVIDIA/bert-base-cased-finetuned-squad — модель BERT, дообученная на наборе SQuAD для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст, после чего извлекает ответ из контекста. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов.

Модель подходит для поиска ответов в документах и текстовых фрагментах на английском языке. В README приведено значение loss 1,0848 на оценочной выборке, но дополнительных сведений о качестве или ограничениях нет. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск ответов на вопросы в англоязычных текстах
  • извлечение фактов из документов
  • ответы по контексту из статей и справочных материалов

Ограничения

Контекст ограничен 512 токенами. Опубликован только loss на оценочной выборке; сведений о других показателях качества и ограничениях нет.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-cased-finetuned-squad

This model is a fine-tuned version of bert-base-cased on the squad dataset. It achieves the following results on the evaluation set:

  • Loss: 1.0848

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3

Training results

Training LossEpochStepValidation Loss
1.03371.055461.0150
0.75462.0110921.0015
0.55373.0166381.0848

Framework versions

  • Transformers 4.18.0
  • Pytorch 1.11.0+cu113
  • Datasets 2.1.0
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
177e1ed

0 моделей