Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 18 ноя 2023

Ссылки

Hugging Face

pretrained_bert_scratch

ayushmodi12

Заполнение пропусковТекст → текст

Дообученная англоязычная BERT-модель для предсказания пропущенных слов в тексте.

7скачиваний за 30 дней0лайковвеса обновлены19 ноя 2023

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

ayushmodi12/pretrained_bert_scratch — модель BERT дообученная на неизвестном наборе данных от базовой модели bert-base-uncased. Она содержит 136,7 млн параметров и использует архитектуру BertForMaskedLM; модель предназначена для предсказания пропущенных токенов в тексте. Контекст составляет до 512 токенов. Доступны веса в формате Safetensors.

Карточка не описывает набор данных, сценарии обучения и результаты оценки, поэтому качество и пригодность дообучения для конкретной области установить нельзя. Базовая модель ориентирована на английский язык. Лицензия — Apache-2.0.

Сценарии применения

подстановка пропущенного слова в английском предложении
проверка контекстуально подходящих вариантов слова
анализ контекстных представлений английского текста

Ограничения

Набор данных и результаты оценки не описаны, поэтому качество дообучения и его применимость к конкретным текстам не установлены. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pretrained_bert_scratch

This model is a fine-tuned version of bert-base-uncased on an unknown dataset.

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: 5e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: BertForMaskedLM
Ревизия весов: 303683d