/ Модель
Каталог

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Библиотека
transformers
Опубликована
5 дек 2024

Ссылки

Hugging Face

bert_base_train_book

gokulsrinivasagan
Заполнение пропусковТекст → текст3 профессии

Дообученная на книжном корпусе английская DistilBERT-модель для предсказания замаскированных токенов в тексте.

15скачиваний 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_train_book — модель DistilBERT, дообученная автором репозитория на наборе gokulsrinivasagan/processed_book_corpus_cleaned. Она предназначена для заполнения пропусков в тексте: по окружающим словам предсказывает замаскированный токен. На оценочном наборе указаны loss 1,0775 и accuracy 0,7531. Модель основана на distilbert-base-uncased, использует архитектуру DistilBertForMaskedLM, библиотеку Transformers и формат Safetensors; максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0.

Подходит для языковых экспериментов с текстами из книжного корпуса и для восстановления пропущенных слов. Английская версия базовой модели ориентирована на английский язык, однако сведения о языковом составе обучающего корпуса и подробные ограничения в карточке не приведены.

Сценарии применения

  • заполнение пропусков в английском тексте
  • предсказание пропущенных слов в книжных фрагментах
  • эксперименты с masked language modeling на книжном корпусе

Ограничения

Метрики приведены только для оценочного набора, а его состав и методика оценки не описаны. Карточка не содержит подробных сведений об ограничениях модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_base_train_book

This model is a fine-tuned version of distilbert-base-uncased on the gokulsrinivasagan/processed_book_corpus_cleaned dataset. It achieves the following results on the evaluation set:

  • Loss: 1.0775
  • Accuracy: 0.7531

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
5.62770.4215100005.46790.1648
5.53080.8431200005.39210.1656
5.48191.2646300005.35590.1668
5.45761.6861400005.33270.1669
5.4342.1077500005.31930.1671
5.4232.5292600005.30640.1676
5.40782.9507700005.30110.1670
5.39963.3723800005.28910.1675
5.38643.7938900005.28060.1672
5.38834.21531000005.28940.1641
5.37434.63691100005.26620.1678
5.36145.05841200005.24950.1677
2.77865.47991300002.41320.5314
2.1915.90141400001.89310.6135
1.9976.32301500001.72340.6414
1.88946.74451600001.62080.6582
1.8017.16601700001.54660.6709
1.74297.58761800001.49590.6795
1.69888.00911900001.45210.6867
1.65878.43062000001.41600.6930
1.62478.85222100001.38840.6977
1.59969.27372200001.36230.7023
1.56869.69522300001.33870.7062
1.544510.11682400001.32010.7099
1.531610.53832500001.30020.7128
1.5110.95982600001.28500.7156
1.493811.38142700001.27280.7178
1.486411.80292800001.25740.7205
1.464112.22442900001.24530.7228
1.454912.64603000001.23240.7250
1.439413.06753100001.22120.7270
1.429813.48903200001.21350.7284
1.422713.91063300001.20440.7299
1.41414.33213400001.19460.7319
1.402814.75363500001.18550.7333
1.392915.17513600001.17940.7344
1.386315.59673700001.16960.7360
1.376216.01823800001.16270.7372
1.369716.43973900001.15620.7387
1.3616.86134000001.15130.7395
1.356617.28284100001.14250.7411
1.348217.70434200001.13880.7417
1.339818.12594300001.13310.7430
1.333218.54744400001.12950.7436
1.331618.96894500001.12210.7448
1.323519.39054600001.11770.7457
1.32119.81204700001.11270.7464
1.312320.23354800001.10870.7474
1.306920.65514900001.10460.7480
1.301621.07665000001.09940.7486
1.297721.49815100001.09520.7497
1.292921.91975200001.09320.7500
1.292422.34125300001.08990.7505
1.286222.76275400001.08870.7510
1.285323.18435500001.08470.7517
1.282723.60585600001.08130.7523
1.278724.02735700001.08050.7524
1.27624.44885800001.07650.7532
1.273224.87045900001.07700.7530

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 · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForMaskedLM
Ревизия весов
05535cc

0 моделей

    Создать бенчмарк