Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense
Библиотека: transformers
Опубликована: 15 ноя 2024

Ссылки

Hugging Face

bert_tiny_lda

gokulsrinivasagan

Языковая модель

Дообученная модель DistilBERT для предсказания замаскированных токенов в текстах.

9скачиваний за 30 дней0лайковвеса обновлены15 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_tiny_lda — модель на архитектуре DistilBERT для masked language modeling с LDA, дообученная на датасете gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Карточка сообщает результаты оценки: loss 6.9596 и accuracy 0.2609.

Модель предназначена для предсказания замаскированных токенов в тексте. Метаданные указывают на контекст длиной 512 токенов и формат весов safetensors. Базовая модель и подробные сценарии применения в карточке не раскрыты; лицензия не указана.

Сценарии применения

восстановление замаскированных слов в тексте
оценка качества модели masked language modeling
эксперименты с DistilBERT и LDA на текстовом корпусе

Ограничения

В карточке приведены невысокие результаты оценки: loss 6.9596 и accuracy 0.2609. Базовая модель и лицензия не указаны; сведения о назначении и ограничениях в README отсутствуют.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_tiny_lda

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

Loss: 6.9596
Accuracy: 0.2609

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: 160
eval_batch_size: 160
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
8.4286	6.9979	10000	8.3618	0.1539
7.8737	13.9958	20000	7.7780	0.1624
7.1899	20.9937	30000	7.0098	0.2534

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: dcb071a