/ Модель

Характеристики

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

distilbert_lda_100_v1_book

Языковая модель3 профессии

Дообученная DistilBERT-модель для задач LDA и языкового моделирования на книжном корпусе.

13скачиваний за 30 дней0лайковвеса обновлены8 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

Это дообученная модель на архитектуре DistilBERT, созданная на корпусе книг gokulsrinivasagan/processed_book_corpus-ld-100. Она использует класс DistilBertForLDAMaskedLM; веса опубликованы в формате safetensors. Контекст модели — до 512 токенов.

По названию и классу архитектуры модель предназначена для задач, связанных с LDA и языковым моделированием на книжном корпусе. В README приведены метрики на тестовой выборке: loss 4,6471 и accuracy 0,7269. Описание конкретных сценариев применения, языков корпуса и ограничений автор не предоставил. Лицензия в доступных данных не указана.

Сценарии применения

  • эксперименты с языковым моделированием на корпусе книг
  • оценка предсказаний модели на книжных текстах
  • исследование применения DistilBERT в задачах LDA

Ограничения

README не раскрывает конкретные сценарии использования и ограничения; метрики приведены только для evaluation set без описания методики. Доступные данные не сообщают язык корпуса и лицензию.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert_lda_100_v1_book

This model is a fine-tuned version of on the gokulsrinivasagan/processed_book_corpus-ld-100 dataset. It achieves the following results on the evaluation set:

  • Loss: 4.6471
  • Accuracy: 0.7269

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 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
9.82430.4215100009.54920.1639
6.41550.8431200006.01680.5575
5.92781.2646300005.59190.6085
5.73011.6861400005.40510.6304
5.59652.1077500005.28070.6431
5.50122.5292600005.18350.6540
5.42662.9507700005.12450.6611
5.37733.3723800005.07420.6676
5.33643.7938900005.03210.6726
5.29734.21531000005.00440.6767
5.27244.63691100004.97720.6799
5.24425.05841200004.95170.6836
5.22315.47991300004.92910.6863
5.20745.90141400004.91050.6888
5.18126.32301500004.89560.6911
5.17336.74451600004.88130.6934
5.1477.16601700004.86660.6953
5.13687.58761800004.85670.6967
5.12448.00911900004.84400.6982
5.11428.43062000004.83150.6998
5.10178.85222100004.82450.7013
5.09559.27372200004.81290.7025
5.07849.69522300004.80420.7039
5.066210.11682400004.79740.7053
5.06710.53832500004.78710.7062
5.054510.95982600004.77920.7074
5.046111.38142700004.77620.7082
5.045611.80292800004.76630.7093
5.029412.22442900004.75990.7103
5.025812.64603000004.75280.7113
5.014913.06753100004.74640.7123
5.011413.48903200004.74200.7131
5.008613.91063300004.73780.7137
5.00414.33213400004.73100.7147
4.994114.75363500004.72630.7152
4.990215.17513600004.72220.7157
4.986715.59673700004.71580.7168
4.979616.01823800004.71160.7175
4.975116.43973900004.70510.7180
4.968316.86134000004.70380.7184
4.96717.28284100004.69550.7196
4.96117.70434200004.69470.7200
4.95318.12594300004.69100.7204
4.949118.54744400004.68840.7208
4.948518.96894500004.68250.7217
4.943919.39054600004.67900.7222
4.941719.81204700004.67570.7226
4.933420.23354800004.67130.7233
4.92920.65514900004.66860.7238
4.92521.07665000004.66450.7242
4.920721.49815100004.66180.7246
4.917721.91975200004.65990.7250
4.919122.34125300004.65840.7252
4.913822.76275400004.65770.7255
4.913923.18435500004.65330.7259
4.909823.60585600004.65080.7264
4.906324.02735700004.64970.7265
4.904824.44885800004.64570.7271
4.901124.87045900004.64630.7270

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
ad92954

0 моделей