/ Модель

Характеристики

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

bert_base_lda_book

Языковая модель

Дообученная на корпусе книг модель DistilBERT с архитектурой DistilBertForLDAMaskedLM.

11скачиваний за 30 дней0лайковвеса обновлены7 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_book — модель на базе DistilBERT, дообученная автором на датасете gokulsrinivasagan/processed_book_corpus-ld. В репозитории указана архитектура DistilBertForLDAMaskedLM и сохранение весов в формате safetensors; длина контекста составляет 512 токенов.

В README приведены результаты оценки на тестовой выборке: loss 2.9459 и accuracy 0.7612. Описание назначения модели, конкретных сценариев применения, языков и условий лицензирования в доступных данных отсутствует; название и датасет указывают на связь с корпусом книг и LDA, но не позволяют надёжно определить пользовательскую задачу.

Ограничения

README не раскрывает назначение, языки, лицензию и ограничения модели; приведённые метрики не описывают условия оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_base_lda_book

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

  • Loss: 2.9459
  • Accuracy: 0.7612

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 LossEpochStepValidation LossAccuracy
7.66110.4215100007.48310.1626
7.540.8431200007.38930.1640
7.4771.2646300007.33990.1663
7.44781.6861400007.31190.1667
5.0842.1077500004.60370.4982
4.14582.5292600003.84180.6153
3.92192.9507700003.64490.6468
3.80573.3723800003.53370.6641
3.72433.7938900003.45730.6761
3.66134.21531000003.40460.6845
3.61984.63691100003.36380.6910
3.57695.05841200003.32350.6972
3.54465.47991300003.29290.7021
3.52265.90141400003.26700.7062
3.4936.32301500003.24650.7099
3.47846.74451600003.22920.7130
3.44657.16601700003.20740.7165
3.4337.58761800003.19600.7186
3.41718.00911900003.17850.7212
3.40168.43062000003.16400.7237
3.38538.85222100003.15380.7257
3.37769.27372200003.14040.7278
3.35689.69522300003.12910.7295
3.344110.11682400003.12050.7315
3.34110.53832500003.10950.7328
3.329210.95982600003.10050.7345
3.317311.38142700003.09440.7355
3.316211.80292800003.08380.7373
3.29812.22442900003.07640.7386
3.29312.64603000003.06760.7400
3.280813.06753100003.06130.7413
3.278613.48903200003.05420.7423
3.271713.91063300003.05050.7432
3.26614.33213400003.04270.7445
3.258314.75363500003.03600.7454
3.250815.17513600003.03270.7461
3.245415.59673700003.02320.7474
3.238616.01823800003.01860.7484
3.233416.43973900003.01470.7492
3.225116.86134000003.01060.7499
3.222817.28284100003.00350.7511
3.216217.70434200003.00030.7517
3.207918.12594300002.99710.7524
3.202418.54744400002.99280.7530
3.201418.96894500002.98560.7541
3.196219.39054600002.98260.7547
3.191719.81204700002.97860.7555
3.185420.23354800002.97550.7561
3.1820.65514900002.97110.7567
3.174421.07665000002.96760.7573
3.171421.49815100002.96350.7580
3.166421.91975200002.96160.7583
3.167422.34125300002.95920.7588
3.161422.76275400002.95790.7591
3.161623.18435500002.95360.7597
3.157923.60585600002.95130.7603
3.15424.02735700002.95010.7605
3.150424.44885800002.94640.7610
3.148224.87045900002.94640.7610

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
8fd3cad

0 моделей