Характеристики

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

Ссылки

Hugging Face

bert_base_lda_5_v1

gokulsrinivasagan

Языковая модель

Дообученная модель DistilBERT для masked language modeling в варианте LDA на данных WikiText-103.

10скачиваний 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_5_v1 — модель на базе архитектуры DistilBERT, дообученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-5. Для оценки указаны loss 7,2047 и accuracy 0,1560. Класс модели — DistilBertForLDAMaskedLM; веса опубликованы в формате safetensors, библиотека — Transformers, длина контекста — 512 токенов.

Модель предназначена для задач masked language modeling в варианте LDA, однако описание назначения и сценариев применения в карточке не раскрыто. Низкая указанная accuracy не подтверждает пригодность для практического использования. Лицензия в предоставленных данных не указана.

Сценарии применения

эксперименты с masked language modeling на текстах WikiText-103
оценка поведения DistilBERT в задаче LDA masked language modeling
исследование дообучения языковых моделей на обработанном WikiText-103

Ограничения

В карточке приведены низкие показатели оценки: loss 7,2047 и accuracy 0,1560; назначение и ограничения подробно не описаны. Лицензия не указана в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_base_lda_5_v1

This model is a fine-tuned version of on the gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-5 dataset. It achieves the following results on the evaluation set:

Loss: 7.2047
Accuracy: 0.1560

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
7.5336	4.1982	10000	7.4824	0.1509
7.3176	8.3963	20000	7.3286	0.1524
7.2331	12.5945	30000	7.2804	0.1554
7.1765	16.7926	40000	7.2542	0.1544
7.1457	20.9908	50000	7.2485	0.1525

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: 66fece2