/ Модель

Характеристики

Контекст
512 токенов
Архитектура
hybridbert · dense
Опубликована
29 сен 2023

bert_12_layer_model_v3_complete_training_48

Заполнение пропусковТекст → текст3 профессии

Дообученная HybridBERT-модель для предсказания замаскированных слов в тексте с контекстом до 512 токенов.

14скачиваний за 30 дней0лайковвеса обновлены2 окт 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 gokuls/bert_12_layer_model_v3_complete_training_48 — дообученная модель семейства HybridBERT для восстановления замаскированных слов в тексте. В метаданных указана архитектура DistilBertForMaskedLM и контекстное окно 512 токенов; модель сохранена в формате PyTorch.

Модель обучалась на наборе gokuls/wiki_book_corpus_complete_processed_bert_dataset. В README приведены результаты оценки: loss 3,2767 и accuracy 0,4430. Это может быть полезно для задач заполнения пропусков и анализа контекстного употребления слов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • подстановка пропущенного слова в предложении
  • проверка контекстной уместности слова
  • получение вариантов продолжения текста с маской

Ограничения

В README качество по оценочной выборке указано как accuracy 0,4430; данных о поддерживаемых языках и лицензии в предоставленных материалах нет.

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_v3_complete_training_48

This model is a fine-tuned version of on the gokuls/wiki_book_corpus_complete_processed_bert_dataset dataset. It achieves the following results on the evaluation set:

  • Loss: 3.2767
  • Accuracy: 0.4430

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
6.57850.08100006.53680.1282
6.34750.16200006.33410.1409
6.26640.25300006.25250.1446
6.21980.33400006.20020.1474
6.14030.41500006.12430.1497
6.06740.49600006.03890.1520
5.99210.57700005.95840.1548
5.93370.66800005.89290.1577
5.82690.74900005.76540.1685
5.50530.821000005.32160.2274
4.82370.91100004.63500.3054
4.33020.981200004.17230.3496
4.07211.071300003.93730.3741
3.88961.151400003.77630.3903
3.78421.231500003.66280.4018
3.68711.311600003.57340.4111
3.60991.391700003.49860.4188
3.55851.471800003.43240.4259
3.49221.561900003.37670.4316
3.43421.642000003.32340.4374
3.37991.722100003.27700.4429

Framework versions

  • Transformers 4.33.3
  • Pytorch 1.14.0a0+410ce96
  • 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 · fill-mask

Нельзя запустить

Архитектура hybridbert неизвестна transformers в образе рантайма.

Класс архитектуры
DistilBertForMaskedLM
Ревизия весов
05ecfaf

0 моделей