/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense
Базовая модель
multilingual-cased-finetuned-luganda-qa
Опубликована
17 сен 2023

multilingual-cased-finetuned-luganda-qa_09

Ответы на вопросыТекст → текст

Дообученная BERT-модель для извлечения ответов на вопросы из текста на луганда.

9скачиваний за 30 дней0лайковвеса обновлены17 сен 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

Модель badokorach/multilingual-cased-finetuned-luganda-qa_09 разработана на основе badokorach/multilingual-cased-finetuned-luganda-qa и дообучена для извлечения ответов на вопросы из текста. Это модель семейства BERT с архитектурой BertForQuestionAnswering, содержащая 205,1 млн параметров и работающая с контекстом до 512 токенов. Репозиторий предоставляет веса в формате TensorFlow.

Модель предназначена для ответов на вопросы по тексту на луганда. В README указаны результаты обучения: loss 1,3864 после 14 эпох; набор данных и подробности оценки не описаны. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение ответа на вопрос из текста на луганда
  • создание системы вопросов и ответов для документов на луганда
  • поиск фактического ответа в заданном контексте на луганда

Ограничения

Датасет и подробные результаты оценки не описаны, поэтому качество на конкретных типах текстов неясно. Модель ограничена контекстом до 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

badokorach/multilingual-cased-finetuned-luganda-qa_09

This model is a fine-tuned version of badokorach/multilingual-cased-finetuned-luganda-qa on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 1.3864
  • Epoch: 14

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:

  • optimizer: {'name': 'AdamWeightDecay', 'learning_rate': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 1e-05, 'decay_steps': 3750, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.03}
  • training_precision: mixed_float16

Training results

Train LossEpoch
3.78490
3.59891
3.39952
3.15933
2.87714
2.61235
2.34136
2.13207
1.94358
1.82189
1.691410
1.582811
1.497412
1.438413
1.386414

Framework versions

  • Transformers 4.33.2
  • TensorFlow 2.13.0
  • Datasets 2.14.5
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
001de00

0 моделей