Характеристики

Контекст: 512 токенов
Параметры: 15,6 млн
Архитектура: bert · dense
Опубликована: 17 мар 2022

Ссылки

Hugging Face

TinyBERT_L-4_H-312_v2-finetuned-wikitext103

saghar

Заполнение пропусковТекст → текст3 профессии

Компактная модель BERT, дообученная на WikiText для предсказания пропущенных токенов в тексте.

68скачиваний за 30 дней0лайковвеса обновлены17 мар 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

Это компактная модель семейства BERT, дообученная saghar на наборе WikiText. Она содержит 15,6 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. Основная задача модели — предсказывать скрытые в тексте токены, например заполнять маски в предложениях.

Модель подходит для экспериментов и прикладных сценариев восстановления пропущенных слов в англоязычном тексте. В README приведён результат оценки на тестовой выборке WikiText: loss 6,4638; более подробные сведения о тренировочных данных и ограничениях автор не предоставляет. Лицензия в доступных данных не указана.

Сценарии применения

заполнение пропусков в англоязычных предложениях
восстановление скрытых слов в тексте
оценка вариантов подстановки токена в маскированном тексте

Ограничения

В README не приведены подробные сведения о тренировочных данных и ограничениях; указан loss 6,4638 на оценочной выборке WikiText. Лицензия в доступных данных не указана.

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TinyBERT_L-4_H-312_v2-finetuned-wikitext103

This model is a fine-tuned version of nreimers/TinyBERT_L-4_H-312_v2 on the wikitext dataset. It achieves the following results on the evaluation set:

Loss: 6.4638

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: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss
7.0604	1.0	3125	6.6745
6.7122	2.0	6250	6.5061
6.6289	3.0	9375	6.4638

Framework versions

Transformers 4.16.2
Pytorch 1.8.1
Datasets 1.11.0
Tokenizers 0.10.3

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: BertForMaskedLM
Ревизия весов: a6f79a9