Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 15 ноя 2024

Ссылки

Hugging Face

tinybert_train

gokulsrinivasagan

Заполнение пропусковТекст → текст3 профессии

Дообученная на WikiText-103 модель DistilBERT для предсказания пропущенных английских слов в тексте.

12скачиваний за 30 дней0лайковвеса обновлены15 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/tinybert_train — модель на архитектуре DistilBERT, дообученная разработчиком на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Она предназначена для задачи fill-mask: предсказывает пропущенный токен в тексте на английском языке. Модель построена на DistilBertForMaskedLM, принимает текст с контекстом длиной до 512 токенов и выдаёт вероятности вариантов заполнения пропуска.

В README указаны результаты оценки: loss 5,7861 и accuracy 0,1607. Эти значения указывают на ограниченную точность предсказаний; карточка не описывает целевые сценарии, дополнительные оценки или ограничения применения. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

подстановка пропущенного слова в английском предложении
получение вероятных вариантов заполнения маскированного токена
демонстрация работы masked language modeling
эксперименты с дообучением DistilBERT на WikiText-103

Ограничения

В README приведены loss 5,7861 и accuracy 0,1607, поэтому качество предсказаний может быть ограниченным. Карточка не содержит подробных рекомендаций по применению или иных оценок.

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

tinybert_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: 5.7861
Accuracy: 0.1607

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
6.122	6.9979	10000	6.0554	0.1535
5.9055	13.9958	20000	5.8711	0.1556
5.8328	20.9937	30000	5.8420	0.1547

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: 11f4b12