/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Опубликована
16 авг 2023

distilbert-base-uncased-finetuned-char

Заполнение пропусковТекст → текст3 профессии

Дообученная DistilBERT-модель для восстановления пропущенных токенов в тексте.

11скачиваний за 30 дней0лайковвеса обновлены16 авг 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

Это дообученная модель DistilBERT для предсказания пропущенных токенов в тексте. Она основана на distilbert-base-uncased и использует архитектуру DistilBertForMaskedLM; модель принимает текст и поддерживает контекст до 512 токенов. В карточке указана лицензия Apache-2.0.

Карточка сообщает о дообучении на наборе данных, название которого не раскрыто, и приводит значение loss 1,5972 на оценочной выборке. Назначение метки «char» в названии и специализация модели не описаны, поэтому качество для конкретной предметной области подтвердить нельзя.

Сценарии применения

  • подстановка пропущенного слова в предложение
  • восстановление маскированных токенов в тексте
  • проверка языковой модели на задаче заполнения пропусков

Ограничения

Назначение специализации «char» и обучающий набор данных не описаны; приведённый loss сам по себе не позволяет оценить качество на прикладных задачах.

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

distilbert-base-uncased-finetuned-char

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.5972

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: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10

Training results

Training LossEpochStepValidation Loss
2.14360.855001.8943
1.89111.7110001.8065
1.80732.5615001.7359
1.76683.4120001.6907
1.7334.2725001.6564
1.71045.1230001.6499
1.69155.9735001.6258
1.67726.8340001.6089
1.66177.6845001.5982
1.65638.5350001.6035
1.6499.3955001.5764

Framework versions

  • Transformers 4.31.0
  • Pytorch 2.0.1+cu118
  • Datasets 2.14.4
  • Tokenizers 0.13.3

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
DistilBertForMaskedLM
Ревизия весов
5185c07

0 моделей