/ Модель

Характеристики

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

bert_tiny_lda_20_v1_book

Языковая модель

Дообученная модель DistilBERT для тематического моделирования текстов книжного корпуса с 20 темами.

8скачиваний за 30 дней0лайковвеса обновлены10 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_tiny_lda_20_v1_book — модель на базе DistilBERT, дообученная на корпусе обработанных книг gokulsrinivasagan/processed_book_corpus-ld-20. В карточке указаны результаты оценки: loss 3,8712 и accuracy 0,6793. Архитектура содержит класс DistilBertForLDAMaskedLM, а максимальный контекст составляет 512 токенов.

Модель, по названию и датасету, предназначена для тематического моделирования текстов книг с 20 темами. Карточка не описывает конкретные сценарии применения, качество по отдельным темам или способ получения тематических распределений; результаты оценки сами по себе этого не уточняют. Данных о поддерживаемых естественных языках и лицензии нет.

Сценарии применения

  • выделение тем в текстах книг
  • группировка книжных фрагментов по темам
  • анализ тематической структуры книжного корпуса

Ограничения

В карточке не описаны intended use и ограничения; приведены только общие метрики оценки, без подробностей о методике и разбиении данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_tiny_lda_20_v1_book

This model is a fine-tuned version of on the gokulsrinivasagan/processed_book_corpus-ld-20 dataset. It achieves the following results on the evaluation set:

  • Loss: 3.8712
  • Accuracy: 0.6793

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 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
8.60490.7025100008.43770.1653
5.65931.4051200005.22430.5031
5.16062.1076300004.77780.5589
4.91692.8102400004.55390.5885
4.76073.5127500004.40850.6088
4.64054.2153600004.30270.6216
4.55784.9178700004.21560.6307
4.4965.6203800004.16190.6375
4.4576.3229900004.12560.6425
4.41997.02541000004.09180.6468
4.39537.72801100004.06770.6504
4.37038.43051200004.04410.6538
4.34379.13311300004.02950.6560
4.32959.83561400004.00840.6594
4.312510.53811500003.99550.6612
4.304811.24071600003.98420.6627
4.286311.94321700003.97270.6645
4.27612.64581800003.95920.6663
4.265113.34831900003.95430.6669
4.257314.05092000003.94380.6683
4.24714.75342100003.93430.6699
4.238715.45602200003.92740.6712
4.233116.15852300003.92260.6718
4.223816.86102400003.91610.6727
4.217117.56362500003.91060.6735
4.209818.26612600003.90460.6740
4.208318.96872700003.90010.6749
4.199119.67122800003.89490.6759
4.196120.37382900003.89030.6766
4.189321.07633000003.88640.6772
4.186621.77883100003.88080.6779
4.18122.48143200003.87820.6784
4.1823.18393300003.87630.6785
4.177123.88653400003.87310.6790
4.176524.58903500003.87040.6795

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
708b134

0 моделей