/ Модель

Характеристики

Контекст
512 токенов
Архитектура
distilbert · dense
Библиотека
transformers
Опубликована
8 дек 2024

bert_base_lda_50_v1_book

Языковая модель3 профессии

Дообученная на корпусе книг модель DistilBERT для задач, связанных с языковым моделированием и тематикой текстов.

11скачиваний за 30 дней0лайковвеса обновлены12 дек 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_50_v1_book — модель на базе архитектуры DistilBERT, дообученная на корпусе книг gokulsrinivasagan/processed_book_corpus-ld-50. В названии указано LDA с 50 темами, однако карточка не объясняет эту настройку, поэтому её назначение нельзя установить точнее.

В README приведены результаты оценки на тестовой выборке: loss 3.9956 и accuracy 0.7552. Модель доступна в формате safetensors и имеет контекстное окно 512 токенов. Описание сценариев применения и ограничений в карточке отсутствует. Лицензия не указана.

Сценарии применения

  • эксперименты с языковым моделированием на книжных текстах
  • оценка модели на корпусе книг
  • исследование представлений текста на основе DistilBERT

Ограничения

README не раскрывает назначение модели, ограничения и применимость результатов; приведены только метрики оценки без описания протокола. Язык корпуса и лицензия не указаны.

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_base_lda_50_v1_book

This model is a fine-tuned version of on the gokulsrinivasagan/processed_book_corpus-ld-50 dataset. It achieves the following results on the evaluation set:

  • Loss: 3.9956
  • Accuracy: 0.7552

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 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 LossEpochStepValidation LossAccuracy
8.9550.4215100008.74070.1644
8.71370.8431200008.54910.1653
8.62651.2646300008.47830.1663
6.70211.6861400006.09880.4554
5.33492.1077500005.01050.6051
5.07942.5292600004.77540.6390
4.93952.9507700004.65090.6570
4.8493.3723800004.56860.6692
4.78383.7938900004.50560.6787
4.72524.21531000004.45820.6854
4.68074.63691100004.41300.6913
4.63895.05841200004.37340.6966
4.60765.47991300004.34430.7008
4.58715.90141400004.31760.7046
4.56756.32301500004.30850.7070
4.55096.74451600004.28610.7097
4.52017.16601700004.26440.7131
4.50467.58761800004.25210.7151
4.48598.00911900004.23390.7175
4.47598.43062000004.22310.7194
4.45638.85222100004.20890.7215
4.44619.27372200004.19860.7233
4.42639.69522300004.18450.7251
4.412310.11682400004.17600.7270
4.413110.53832500004.16420.7284
4.398710.95982600004.15520.7298
4.386611.38142700004.15010.7306
4.384411.80292800004.13840.7325
4.366112.22442900004.13140.7336
4.361412.64603000004.12070.7351
4.348313.06753100004.11260.7365
4.345313.48903200004.10870.7371
4.339113.91063300004.10310.7379
4.337214.33213400004.09420.7396
4.325514.75363500004.08910.7403
4.316615.17513600004.08570.7410
4.31515.59673700004.07520.7421
4.304116.01823800004.07040.7431
4.298616.43973900004.06490.7440
4.29316.86134000004.06200.7446
4.288117.28284100004.05320.7457
4.28217.70434200004.05080.7465
4.273818.12594300004.04690.7471
4.267618.54744400004.04290.7476
4.266618.96894500004.03640.7485
4.259819.39054600004.03150.7493
4.25819.81204700004.02860.7499
4.250320.23354800004.02500.7505
4.244620.65514900004.02020.7513
4.240121.07665000004.01570.7517
4.235921.49815100004.01250.7524
4.230121.91975200004.01080.7527
4.231822.34125300004.00750.7532
4.224722.76275400004.00600.7536
4.224123.18435500004.00210.7540
4.220123.60585600003.99900.7546
4.215124.02735700003.99810.7549
4.214424.44885800003.99430.7553
4.212324.87045900003.99490.7552

Framework versions

  • Transformers 4.46.3
  • Pytorch 2.2.1+cu118
  • Datasets 2.17.0
  • Tokenizers 0.20.3

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
35131e7

0 моделей