Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense
Библиотека: transformers
Опубликована: 12 ноя 2024

Ссылки

Hugging Face

distilbert_base_lda

gokulsrinivasagan

Языковая модель3 профессии

Дообученная модель на базе DistilBERT для языковых задач с маскированными токенами и компонентом LDA.

10скачиваний за 30 дней0лайковвеса обновлены13 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/distilbert_base_lda — модель на архитектуре DistilBERT, дообученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Класс модели — DistilBertForLDAMaskedLM; веса доступны в формате Safetensors, контекстное окно составляет 512 токенов.

В карточке приведены результаты оценки: loss 4,3123 и accuracy 0,57. Назначение модели и её целевые сценарии подробно не описаны; по классу архитектуры она предназначена для языковой задачи с маскированными токенами и компонентом LDA. Лицензия в предоставленных данных не указана.

Сценарии применения

эксперименты с маскированным языковым моделированием
оценка предсказания маскированных токенов
исследование сочетания DistilBERT и LDA
эксперименты на обработанном корпусе WikiText-103

Ограничения

README не раскрывает назначение компонента LDA, целевые сценарии и детали обучения. На оценочном наборе указаны accuracy 0,57 и loss 4,3123; язык корпуса в предоставленных данных не определён.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert_base_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: 4.3123
Accuracy: 0.5700

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 Loss	Epoch	Step	Validation Loss	Accuracy
8.3233	4.1982	10000	8.2422	0.1515
6.1542	8.3963	20000	5.9056	0.3692
4.8606	12.5945	30000	4.7305	0.5129
4.535	16.7926	40000	4.4266	0.5557
4.3967	20.9908	50000	4.3196	0.5676

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: dca3ff1