/ Модель

Характеристики

Контекст
512 токенов
Архитектура
hybridbert · dense
Опубликована
1 июн 2023

bert_12_layer_model_v1_complete_training_new_48

Заполнение пропусковТекст → текст3 профессии

Модель HybridBERT для предсказания замаскированных токенов в текстах с контекстом до 512 токенов.

15скачиваний за 30 дней0лайковвеса обновлены4 июн 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

gokuls/bert_12_layer_model_v1_complete_training_new_48 — модель семейства HybridBERT на архитектуре DistilBertForMaskedLM, предназначенная для заполнения пропусков в тексте. Она принимает текст с маскированным токеном и предсказывает подходящие варианты; контекст модели составляет 512 токенов. В README приведены результаты оценки: loss 2,9912 и accuracy 0,4898.

Карточка описывает модель как дообученную, однако базовая модель и обучающие данные не названы. Модель сохранена в формате PyTorch. Лицензия и поддерживаемые естественные языки в доступных данных не указаны.

Сценарии применения

  • подстановка пропущенного слова в предложении
  • получение вариантов продолжения замаскированного текста
  • оценка контекстной совместимости слов

Ограничения

README не раскрывает базовую модель, обучающие данные и языковое покрытие. В приведённой оценке accuracy составляет 0,4898; данных недостаточно, чтобы судить о качестве на других задачах или корпусах.

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

bert_12_layer_model_v1_complete_training_new_48

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

  • Loss: 2.9912
  • Accuracy: 0.4898

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: 1e-05
  • train_batch_size: 48
  • eval_batch_size: 48
  • seed: 10
  • distributed_type: multi-GPU
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 10000
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossAccuracy
6.57490.08100006.53810.1270
6.3330.16200006.30970.1410
6.23410.25300006.21790.1450
6.18030.33400006.15860.1478
6.07750.41500006.04710.1520
5.89570.49600005.84580.1655
5.76550.57700005.70400.1846
5.62810.66800005.54800.2026
5.17970.74900005.00040.2661
4.75180.821000004.57510.3097
4.33680.91100004.14550.3518
3.95130.981200003.76590.3964
3.6821.071300003.53280.4248
3.51141.151400003.37150.4441
3.37891.231500003.25000.4591
3.27761.311600003.14680.4709
3.2041.391700003.08990.4784
3.10511.471800002.99120.4898

Framework versions

  • Transformers 4.29.2
  • Pytorch 1.14.0a0+410ce96
  • Datasets 2.12.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

Архитектура hybridbert неизвестна transformers в образе рантайма.

Класс архитектуры
DistilBertForMaskedLM
Ревизия весов
50c9cff

0 моделей