Характеристики

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

Ссылки

Hugging Face

recipe-distilbert-upper-Is

paola-md

Заполнение пропусковТекст → текст3 профессии

Дообученная DistilBERT-модель для предсказания замаскированных слов и заполнения пропусков в тексте.

86скачиваний 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

recipe-distilbert-upper-Is — модель DistilBERT с архитектурой DistilBertForMaskedLM, дообученная на базе distilbert-base-uncased для заполнения пропусков в тексте. Она предсказывает замаскированные токены и подходит, например, для восстановления пропущенных слов или анализа языковых представлений. Контекст модели составляет до 512 токенов; репозиторий содержит веса PyTorch. В README приведено значение loss 0,8565 на оценочной выборке, но данные и методика оценки не описаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

восстановление пропущенных слов в предложениях
подстановка токена в замаскированную позицию
получение контекстных предсказаний для анализа текста

Ограничения

Назначение, обучающий набор данных и подробности оценки не описаны; указан только loss 0,8565 на оценочной выборке. Модель ограничена контекстом до 512 токенов.

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

recipe-distilbert-upper-Is

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: 0.8565

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 Loss	Epoch	Step	Validation Loss
1.6309	1.0	1305	1.2607
1.2639	2.0	2610	1.1291
1.1592	3.0	3915	1.0605
1.0987	4.0	5220	1.0128
1.0569	5.0	6525	0.9796
1.0262	6.0	7830	0.9592
1.0032	7.0	9135	0.9352
0.9815	8.0	10440	0.9186
0.967	9.0	11745	0.9086
0.9532	10.0	13050	0.8973
0.9436	11.0	14355	0.8888
0.9318	12.0	15660	0.8835
0.9243	13.0	16965	0.8748
0.9169	14.0	18270	0.8673
0.9117	15.0	19575	0.8610
0.9066	16.0	20880	0.8562
0.9028	17.0	22185	0.8566
0.901	18.0	23490	0.8583
0.8988	19.0	24795	0.8557
0.8958	20.0	26100	0.8565

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: 301ad41