Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 20 апр 2022

Ссылки

roberta-base-culinary

Заполнение пропусковТекст → текст3 профессии

Дообученная на кулинарных текстах BERT-модель для предсказания пропущенных слов, в том числе названий блюд и ингредиентов.

79скачиваний за 30 дней0лайковвеса обновлены21 сен 2022

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

juancavallotti/roberta-base-culinary — модель на архитектуре BERT, дообученная автором на кулинарном наборе данных. Она предназначена для заполнения пропусков в тексте: по контексту предлагает подходящие слова на месте маски. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0.

Модель подойдёт для подстановки кулинарных терминов и ингредиентов в замаскированные фрагменты текста, а также для экспериментов с языковыми моделями в кулинарном домене. В README указана оценка loss 1,1032 на тестовой выборке, но сведения о наборе данных, языках и более широких результатах отсутствуют.

Сценарии применения

подстановка пропущенных ингредиентов в рецептах
восстановление кулинарных терминов в тексте
предсказание пропущенного слова в описании блюда

Ограничения

README не раскрывает обучающий набор данных, языковое покрытие и intended use; метрика loss приведена без дополнительных деталей об оценке.

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 IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-base-culinary

This model is a fine-tuned version of bert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.1032

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 16

Training results

Training Loss	Epoch	Step	Validation Loss
1.5135	1.0	39823	1.4635
1.454	2.0	79646	1.3753
1.3924	3.0	119469	1.3375
1.3379	4.0	159292	1.2886
1.2969	5.0	199115	1.2595
1.2495	6.0	238938	nan
1.1768	7.0	278761	1.2283
1.1687	8.0	318584	1.2109
1.2148	9.0	358407	1.1671
1.133	10.0	398230	1.1721
1.0882	11.0	438053	1.1624
1.0749	12.0	477876	1.1321
1.092	13.0	517699	nan
1.0594	14.0	557522	1.1186
1.0292	15.0	597345	1.1074
0.9973	16.0	637168	1.1032

Framework versions

Transformers 4.22.1
Pytorch 1.12.1+cu113
Datasets 2.4.0
Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: 795290e