Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 13 июн 2022

Ссылки

Hugging Face

distilbert-finetuned

laboyle1

Заполнение пропусковТекст → текст3 профессии

Дообученная модель DistilBERT, которая предсказывает пропущенный токен в тексте.

58скачиваний за 30 дней0лайковвеса обновлены13 июн 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

laboyle1/distilbert-finetuned — дообученная модель DistilBERT для заполнения пропусков в тексте. В карточке указана базовая модель distilbert-base-uncased, а метаданные подтверждают архитектуру DistilBertForMaskedLM и задачу fill-mask. Модель принимает текст с маскированным токеном и предсказывает подходящий токен для его заполнения; максимальная длина контекста — 512 токенов. Она реализована на PyTorch и распространяется по лицензии Apache-2.0.

В карточке приведено значение loss 1,9895 на оценочном наборе, но датасет обозначен как None, а описание назначения, данных обучения и ограничений отсутствует. Поэтому качество и пригодность для конкретного языка или предметной области по имеющимся сведениям оценить нельзя.

Сценарии применения

подстановка пропущенного слова в предложение
предсказание токена в замаскированном тексте
проверка контекстного языкового моделирования

Ограничения

Описание модели и обучающих данных отсутствует, а датасет указан как None; приведённый loss сам по себе не позволяет судить о качестве для конкретных сценариев. 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.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-finetuned

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

Loss: 1.9895

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: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss
2.2103	1.0	10024	2.0834
2.1146	2.0	20048	2.0387
2.0721	3.0	30072	2.0095

Framework versions

Transformers 4.19.4
Pytorch 1.11.0+cu102
Datasets 2.2.2
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: DistilBertForMaskedLM
Ревизия весов: e6d4f9f