/ Модель

Характеристики

Контекст
512 токенов
Параметры
4,4 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
18 сен 2022

bert-tiny-oa-finetuned

Заполнение пропусковТекст → текст3 профессии

Небольшая дообученная модель BERT-Tiny предсказывает скрытые токены в тексте.

82скачиваний за 30 дней0лайковвеса обновлены18 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

lizaboiarchuk/bert-tiny-oa-finetuned — дообученная модель BERT-Tiny от lizaboiarchuk для задачи fill-mask: она предсказывает скрытый токен в тексте. Модель основана на prajjwal1/bert-tiny и дообучена на датасете, который в карточке не назван. Архитектура — BertForMaskedLM, размер — 4,4 млн параметров, максимальный контекст — 512 токенов.

Модель подходит для восстановления пропусков и экспериментов с заполнением масок в текстах. В карточке приведены значения потерь на обучении и валидации после четвёртой эпохи, но не описаны датасет, языки и прикладные ограничения. Опубликована в формате TensorFlow под лицензией MIT.

Сценарии применения

  • восстановление пропущенного слова в предложении
  • предсказание скрытого токена в тексте с маской
  • эксперименты с заполнением масок в компактной BERT-модели

Ограничения

Датасет дообучения и поддерживаемые языки не описаны; приведены только значения потерь, поэтому качество для конкретных сценариев по карточке оценить нельзя.

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

lizaboiarchuk/bert-tiny-oa-finetuned

This model is a fine-tuned version of prajjwal1/bert-tiny on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 4.0626
  • Validation Loss: 3.7514
  • Epoch: 4

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:

  • optimizer: {'inner_optimizer': {'class_name': 'AdamWeightDecay', 'config': {'name': 'AdamWeightDecay', 'learning_rate': {'class_name': 'WarmUp', 'config': {'initial_learning_rate': 2e-05, 'decay_schedule_fn': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': -525, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'passive_serialization': True}, 'warmup_steps': 1000, 'power': 1.0, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}}, 'dynamic': True, 'initial_scale': 32768.0, 'dynamic_growth_steps': 2000}
  • training_precision: mixed_float16

Training results

Train LossValidation LossEpoch
4.63114.10880
4.25793.78591
4.06353.72532
4.06583.68423
4.06263.75144

Framework versions

  • Transformers 4.22.1
  • TensorFlow 2.8.2
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForMaskedLM
Ревизия весов
fd12eff

0 моделей