Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense
Библиотека: transformers
Опубликована: 23 ноя 2024

Ссылки

bert_tiny_lda_50_v1

Языковая модель

Дообученная модель DistilBERT для masked language modeling, обученная на обработанном WikiText-103 с представлением LD-50.

7скачиваний за 30 дней0лайковвеса обновлены23 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_50_v1 — дообученная модель семейства DistilBERT, созданная на датасете gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-50. В репозитории используется класс DistilBertForLDAMaskedLM; веса доступны в формате safetensors, контекст — до 512 токенов.

В README приведены результаты оценки: loss 6,8443 и accuracy 0,4048. Описание назначения и ограничений автором не заполнено, а базовая модель не названа, поэтому практическое назначение модели и её базовый чекпойнт установить нельзя. Лицензия в предоставленных данных не указана.

Сценарии применения

Экспериментальная оценка masked language modeling на обработанном WikiText-103

Ограничения

В README нет описания целевого применения и ограничений; приведённая accuracy составляет 0,4048 на оценочной выборке. Базовая модель и лицензия по предоставленным данным не определяются.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_tiny_lda_50_v1

This model is a fine-tuned version of on the gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-50 dataset. It achieves the following results on the evaluation set:

Loss: 6.8443
Accuracy: 0.4048

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
10.0322	6.9979	10000	9.9646	0.1534
8.4211	13.9958	20000	8.1193	0.2780
7.1176	20.9937	30000	6.8955	0.3951

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: 32e269b