/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
12 июл 2022

recipe-distilbert-s

Заполнение пропусковТекст → текст3 профессии

Дообученная DistilBERT-модель для предсказания замаскированных слов в тексте.

53скачиваний за 30 дней0лайковвеса обновлены12 июл 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

paola-md/recipe-distilbert-s — модель DistilBERT, дообученная на основе distilbert-base-uncased для заполнения пропусков в тексте. Она принимает текст с замаскированным фрагментом и предсказывает подходящие токены на его место; архитектура — DistilBertForMaskedLM, контекст — до 512 токенов.

Карточка сообщает метрику Loss 1,0321 на оценочном наборе, но не раскрывает состав набора и подробности обучения. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

Сценарии применения

  • подстановка пропущенного слова в предложение
  • подбор вероятного продолжения фразы с маской
  • анализ контекстных вариантов слова
  • демонстрация работы masked language modeling

Ограничения

Карточка не описывает обучающий набор, предназначение для конкретной предметной области или подробные ограничения качества. Базовая модель distilbert-base-uncased рассчитана на английский текст.

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

recipe-distilbert-s

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: 1.0321

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: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 20
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
1.85941.08441.4751
1.47632.016881.3282
1.36643.025321.2553
1.29754.033761.2093
1.25435.042201.1667
1.21896.050641.1472
1.19447.059081.1251
1.17378.067521.1018
1.15499.075961.0950
1.138710.084401.0796
1.129511.092841.0713
1.116612.0101281.0639
1.107813.0109721.0485
1.09914.0118161.0431
1.095115.0126601.0425
1.087416.0135041.0323
1.082817.0143481.0368
1.080218.0151921.0339
1.079819.0160361.0247
1.075820.0168801.0321

Framework versions

  • Transformers 4.19.0.dev0
  • Pytorch 1.11.0+cu102
  • Datasets 2.3.2
  • 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
8ba0aad

0 моделей