/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Опубликована
29 июн 2023

Nepali-GPT2-CausalLM

Генерация текстаТекст → текст3 профессии

Дообученная GPT-2 для генерации текста на непальском языке.

29скачиваний за 30 дней0лайковвеса обновлены8 июл 2023

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

Nepali-GPT2-CausalLM — языковая модель авторегрессионной архитектуры GPT-2, опубликованная пользователем raygx на Hugging Face. Модель дообучена на неизвестном наборе данных; в карточке приведены результаты одного этапа обучения: train loss 4,7022 и validation loss 4,6237.

Модель предназначена для генерации текста на непальском языке. Её можно применять для продолжения непальского текста и создания простых текстовых черновиков. Указанная длина контекста — 1024 токена; репозиторий содержит веса в формате TensorFlow.

Качество и пригодность для конкретных сценариев трудно оценить: обучающие данные и подробные результаты оценки не описаны. Лицензия в предоставленных данных не указана.

Сценарии применения

  • продолжение текста на непальском языке
  • создание черновиков на непальском языке
  • генерация коротких непальских фраз

Ограничения

Обучающий набор данных неизвестен, а карточка не приводит подробного описания возможностей или оценки качества. Лицензия не указана в предоставленных данных.

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

Nepali-GPT2-CausalLM

This model is a fine-tuned version of raygx/Nepali-GPT2-CausalLM on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 4.7022
  • Validation Loss: 4.6237
  • Epoch: 1

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: {'name': 'AdamWeightDecay', 'learning_rate': 1e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossValidation LossEpoch
4.81414.66780
4.70224.62371

Framework versions

  • Transformers 4.28.1
  • TensorFlow 2.11.0
  • Datasets 2.1.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
df42708

0 моделей