Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense
Библиотека: transformers
Опубликована: 21 ноя 2024

Ссылки

Hugging Face

bert_base_lda_20_v1

gokulsrinivasagan

Языковая модель

Дообученная модель на базе DistilBERT для языковой задачи на тематически размеченном наборе WikiText-103.

12скачиваний за 30 дней0лайковвеса обновлены21 ноя 2024

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

gokulsrinivasagan/bert_base_lda_20_v1 — модель на архитектуре DistilBERT, дообученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-20. В карточке приведены результаты оценки: loss 8,2674 и accuracy 0,1558. Модель использует библиотеку Transformers, веса опубликованы в формате Safetensors; длина контекста составляет 512 токенов.

По названию класса архитектуры DistilBertForLDAMaskedLM модель связана с языковым моделированием и тематически размеченными данными, однако карточка не объясняет назначение метки LDA, сценарии применения или процедуру обучения. Лицензия и базовая модель в доступных данных не указаны.

Сценарии применения

эксперименты с языковым моделированием на WikiText-103
исследование применения DistilBERT к тематически размеченным текстам
оценка качества модели по метрикам loss и accuracy

Ограничения

В карточке не раскрыты intended use, значение LDA в названии класса и детали обучения; указанная accuracy составляет 0,1558. Лицензия и базовая модель не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_base_lda_20_v1

This model is a fine-tuned version of on the gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-20 dataset. It achieves the following results on the evaluation set:

Loss: 8.2674
Accuracy: 0.1558

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: 0.0001
train_batch_size: 96
eval_batch_size: 96
seed: 10
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 10000
num_epochs: 25

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
8.6597	4.1982	10000	8.6005	0.1515
8.3979	8.3963	20000	8.4047	0.1534
8.3034	12.5945	30000	8.3495	0.1549
8.239	16.7926	40000	8.3364	0.1537
8.2045	20.9908	50000	8.3113	0.1524

Framework versions

Transformers 4.46.1
Pytorch 2.2.0+cu121
Datasets 3.1.0
Tokenizers 0.20.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

У модели не указана задача.

Класс архитектуры: DistilBertForLDAMaskedLM
Ревизия весов: 5f779b6