Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 8 апр 2022

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-test-headline

lucypallent

Заполнение пропусковТекст → текст3 профессии

Дообученная DistilBERT-модель для предсказания пропущенных токенов в тексте.

56скачиваний за 30 дней0лайковвеса обновлены9 апр 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

lucypallent/distilbert-base-uncased-finetuned-test-headline — модель семейства DistilBERT, дообученная на базе distilbert-base-uncased для задачи заполнения пропусков в тексте. Она принимает текст с маскированными токенами и предсказывает подходящие замены. Контекст модели — до 512 токенов; веса представлены в формате PyTorch. В README приведено значение loss 4,0992 на наборе оценки, но сведения о данных и сценариях обучения отсутствуют. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

подстановка пропущенного слова в предложении
подбор вероятного токена вместо маски [MASK]
анализ вариантов заполнения пропуска в коротком тексте

Ограничения

README не раскрывает обучающий датасет и предполагаемые области применения; на оценочном наборе указан loss 4,0992, поэтому качество для конкретных сценариев требует проверки.

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-base-uncased-finetuned-test-headline

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: 4.0992

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: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
5.6745	1.0	8	4.8602
4.8694	2.0	16	4.3241
4.5442	3.0	24	4.3963

Framework versions

Transformers 4.18.0
Pytorch 1.10.0+cu111
Datasets 2.0.0
Tokenizers 0.11.6

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: 317684c