/ Модель

Характеристики

Контекст
512 токенов
Архитектура
hybridbert · dense
Опубликована
1 июн 2023

bert_12_layer_model_v2_complete_training_new_48

Заполнение пропусковТекст → текст3 профессии

Модель HybridBERT для заполнения пропущенных токенов в текстах с контекстом до 512 токенов.

9скачиваний 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_v2_complete_training_new_48 — модель семейства HybridBERT на архитектуре DistilBertForMaskedLM для предсказания пропущенных токенов в тексте. Она принимает текстовую последовательность с маской и выдаёт вероятные варианты заполнения. Контекст ограничен 512 токенами; файлы модели представлены в формате PyTorch.

В README приведены результаты оценки: loss 3,5669 и accuracy 0,4078. Назначение, обучающие данные и ограничения в карточке подробно не раскрыты. Лицензия и базовая модель не установлены по предоставленным сведениям.

Сценарии применения

  • подбор пропущенного слова в предложении
  • восстановление скрытых токенов в тексте
  • оценка вариантов заполнения маски

Ограничения

В README указаны accuracy 0,4078 и loss 3,5669, однако без описания набора оценки их практический смысл ограничен. Язык модели, обучающие данные, базовая модель и лицензия по предоставленным сведениям не устанавливаются.

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_v2_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: 3.5669
  • Accuracy: 0.4078

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
6.57610.08100006.54000.1270
6.32850.16200006.30500.1411
6.22790.25300006.21280.1449
6.17540.33400006.15350.1478
6.12910.41500006.11810.1488
6.10080.49600006.08460.1495
6.07160.57700006.06090.1504
5.90410.66800005.86880.1577
5.79990.74900005.75950.1691
5.69970.821000005.64690.1828
5.60020.91100005.53580.1963
5.43720.981200005.31130.2253
5.04651.071300004.87650.2743
4.73731.151400004.55360.3095
4.37791.231500004.20780.3417
4.12991.311600003.99100.3630
3.95851.391700003.83470.3798
3.84231.471800003.72740.3911
3.74031.561900003.64220.3996
3.67671.642000003.56690.4078

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
4497dae

0 моделей