Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 13 ноя 2024

Ссылки

Hugging Face

distilbert_base_train

gokulsrinivasagan

Заполнение пропусковТекст → текст3 профессии

Дообученная DistilBERT-модель предсказывает пропущенные токены в англоязычном тексте.

10скачиваний за 30 дней0лайковвеса обновлены14 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_train — дообученная модель DistilBERT для заполнения пропусков в тексте. Она основана на distilbert/distilbert-base-uncased и дообучена на датасете gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Архитектура — DistilBertForMaskedLM; модель принимает текст с маскированными токенами и предсказывает пропущенные токены. Максимальная длина контекста — 512 токенов.

Модель можно использовать для восстановления пропусков и экспериментов с языковым моделированием на английском тексте. В карточке приведены результаты оценки: loss 5,7121 и accuracy 0,1612. Лицензия — Apache-2.0.

Сценарии применения

Подстановка пропущенного слова в английском предложении
Восстановление замаскированных токенов в тексте
Эксперименты с masked language modeling на данных WikiText

Ограничения

На оценочной выборке указаны accuracy 0,1612 и loss 5,7121; показатели могут ограничивать качество предсказаний. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей 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.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert_base_train

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

Loss: 5.7121
Accuracy: 0.1612

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
6.0026	6.9979	10000	5.9544	0.1538
5.8022	13.9958	20000	5.7897	0.1559
5.7367	20.9937	30000	5.7690	0.1544

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 · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForMaskedLM
Ревизия весов: f6c4426