/ Модель

Характеристики

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

distilbert_lda_20_v1_book

Языковая модель

Дообученная на корпусе книг модель DistilBERT, связанная с LDA, для экспериментального тематического анализа текста.

9скачиваний 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

gokulsrinivasagan/distilbert_lda_20_v1_book — модель на архитектуре DistilBERT, дообученная на корпусе книг gokulsrinivasagan/processed_book_corpus-ld-20. В метаданных указан класс DistilBertForLDAMaskedLM и контекст до 512 токенов; веса опубликованы в формате Safetensors. README сообщает значение loss 3,5714 и accuracy 0,7290 на оценочной выборке, но не описывает назначение метрик и устройство разметки.

По названию, архитектуре и обучающему датасету модель, вероятно, связана с тематическим моделированием книг с использованием LDA; однако карточка не уточняет, как именно применять выходы модели. Языки корпуса и практические сценарии также не описаны, поэтому их нельзя достоверно конкретизировать. Лицензия в предоставленных данных не указана.

Сценарии применения

  • эксперименты с тематическим анализом книжного корпуса
  • изучение применения DistilBERT для задач, связанных с LDA
  • оценка модели на текстах, похожих на обучающий корпус

Ограничения

README не раскрывает целевую задачу, формат выходов и смысл метрик качества; связь с тематическим моделированием следует из названия и датасета. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert_lda_20_v1_book

This model is a fine-tuned version of on the gokulsrinivasagan/processed_book_corpus-ld-20 dataset. It achieves the following results on the evaluation set:

  • Loss: 3.5714
  • Accuracy: 0.7290

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
7.27890.4215100006.57330.3678
4.9550.8431200004.59290.5844
4.61821.2646300004.30140.6199
4.47511.6861400004.16920.6387
4.38022.1077500004.08560.6498
4.31622.5292600004.02030.6598
4.26372.9507700003.97980.6658
4.2253.3723800003.94190.6716
4.19393.7938900003.91010.6761
4.16374.21531000003.88920.6795
4.14284.63691100003.86740.6830
4.12045.05841200003.84320.6860
4.10285.47991300003.82680.6887
4.0915.90141400003.80950.6912
4.06866.32301500003.79730.6936
4.06136.74451600003.78540.6952
4.03757.16601700003.77120.6976
4.03017.58761800003.76400.6984
4.02028.00911900003.75190.7002
4.01028.43062000003.74290.7018
3.99858.85222100003.73570.7031
3.99599.27372200003.72700.7044
3.97819.69522300003.71610.7058
3.967610.11682400003.71220.7069
3.967210.53832500003.70280.7080
3.957310.95982600003.69690.7093
3.949711.38142700003.69230.7098
3.948311.80292800003.68410.7111
3.934812.22442900003.67860.7119
3.930412.64603000003.67030.7132
3.920513.06753100003.66660.7139
3.920213.48903200003.66200.7146
3.915213.91063300003.65810.7152
3.910514.33213400003.65010.7167
3.902414.75363500003.64660.7168
3.897615.17513600003.64440.7173
3.894815.59673700003.63620.7186
3.887516.01823800003.63160.7193
3.884216.43973900003.62800.7199
3.877316.86134000003.62560.7203
3.876617.28284100003.61900.7214
3.871217.70434200003.61550.7220
3.863818.12594300003.61340.7225
3.858818.54744400003.61090.7228
3.858618.96894500003.60570.7237
3.853419.39054600003.60180.7241
3.850819.81204700003.59880.7247
3.844320.23354800003.59530.7252
3.839320.65514900003.59210.7257
3.836621.07665000003.58860.7260
3.832421.49815100003.58570.7266
3.828621.91975200003.58430.7269
3.831722.34125300003.58180.7273
3.824322.76275400003.58110.7276
3.82523.18435500003.57710.7279
3.822723.60585600003.57520.7284
3.817324.02735700003.57410.7286
3.817424.44885800003.57060.7291
3.814124.87045900003.57080.7289

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
50d0cc8

0 моделей