Характеристики

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

Ссылки

bert_tiny_lda_book

Языковая модель

Дообученная DistilBERT-модель для корпуса обработанных книг, с архитектурой masked language modeling и контекстом до 512 токенов.

8скачиваний за 30 дней0лайковвеса обновлены6 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_book — дообученная модель на базе DistilBERT для работы с корпусом обработанных книг gokulsrinivasagan/processed_book_corpus-ld. В метаданных указана архитектура DistilBertForLDAMaskedLM и контекст длиной до 512 токенов; веса опубликованы в формате safetensors.

В README приведены результаты оценки: loss 3,3915 и accuracy 0,6827. Описание назначения, сценариев применения и ограничений автор не предоставил, поэтому практические задачи модели по доступным сведениям определить нельзя. Лицензия и точная базовая модель не указаны.

Ограничения

В README нет описания назначения и ограничений, а точная базовая модель и лицензия не установлены. Приведены только метрики на оценочном наборе: loss 3,3915 и accuracy 0,6827.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_tiny_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: 3.3915
Accuracy: 0.6827

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
7.9444	0.7025	10000	7.7823	0.1644
5.4537	1.4051	20000	5.0087	0.4658
4.6397	2.1076	30000	4.2650	0.5607
4.3898	2.8102	40000	4.0379	0.5916
4.2383	3.5127	50000	3.8978	0.6113
4.1379	4.2153	60000	3.8117	0.6234
4.0736	4.9178	70000	3.7462	0.6324
4.0187	5.6203	80000	3.6985	0.6391
3.9803	6.3229	90000	3.6644	0.6444
3.9462	7.0254	100000	3.6333	0.6485
3.9217	7.7280	110000	3.6064	0.6526
3.8974	8.4305	120000	3.5810	0.6558
3.8714	9.1331	130000	3.5696	0.6581
3.8565	9.8356	140000	3.5454	0.6613
3.8382	10.5381	150000	3.5310	0.6632
3.8272	11.2407	160000	3.5181	0.6647
3.8059	11.9432	170000	3.5012	0.6666
3.7935	12.6458	180000	3.4849	0.6683
3.7815	13.3483	190000	3.4784	0.6695
3.7719	14.0509	200000	3.4671	0.6710
3.7614	14.7534	210000	3.4574	0.6724
3.7509	15.4560	220000	3.4488	0.6740
3.7456	16.1585	230000	3.4445	0.6745
3.736	16.8610	240000	3.4378	0.6753
3.728	17.5636	250000	3.4330	0.6763
3.7223	18.2661	260000	3.4270	0.6772
3.7195	18.9687	270000	3.4210	0.6780
3.7104	19.6712	280000	3.4156	0.6790
3.7086	20.3738	290000	3.4105	0.6797
3.7002	21.0763	300000	3.4070	0.6803
3.698	21.7788	310000	3.4013	0.6812
3.6915	22.4814	320000	3.3987	0.6814
3.6909	23.1839	330000	3.3962	0.6818
3.6883	23.8865	340000	3.3933	0.6825
3.6867	24.5890	350000	3.3903	0.6829

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: 740560e