/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
38,5 млн
Архитектура
t5 · dense
Опубликована
26 мая 2022

Ссылки

Hugging Face

t5-small_6_3-hi_en-to-en

sayanmandal
ПереводТекст → текст3 профессии

Компактная модель T5 для перевода текста на хинглише на английский.

26скачиваний за 30 дней2лайкавеса обновлены26 мая 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Модель sayanmandal/t5-small_6_3-hi_en-to-en — компактная модель перевода на базе архитектуры T5, обученная с нуля на наборе cmu_hinglish_dog. Она преобразует текст на хинглиш (смешение хинди и английского) в английский. В репозитории указано 38,5 млн параметров; используется PyTorch, длина контекста — 512 токенов.

Модель предназначена для перевода коротких текстов на хинглише. На тестовой выборке автор сообщает BLEU 18,0863. Результат относится к указанному набору данных и не гарантирует такое же качество на других текстах; карточка не описывает дополнительные сценарии применения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • перевод сообщений на хинглише на английский
  • перевод коротких публикаций на хинглише
  • преобразование смешанного текста на хинди и английском в английский

Ограничения

Заявленная оценка BLEU 18,0863 получена на тестовой выборке набора cmu_hinglish_dog, поэтому качество на других данных может отличаться. Карточка не приводит подробных ограничений и сведений о лицензии.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

t5-small_6_3-hi_en-to-en

This model was trained from scratch on the cmu_hinglish_dog dataset. It achieves the following results on the evaluation set:

  • Loss: 2.3662
  • Bleu: 18.0863
  • Gen Len: 15.2708

Model description

Model generated using: python make_student.py t5-small t5_small_6_3 6 3 Check this link for more information.

Intended uses & limitations

More information needed

Training and evaluation data

Used cmu_hinglish_dog dataset. Please check this link for dataset description

Translation:

  • Source: hi_en: The text in Hinglish
  • Target: en: The text in English

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 100
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossBleuGen Len
No log1.01263.06014.714611.9904
No log2.02522.88855.958412.3418
No log3.03782.79146.64912.3758
3.46714.05042.73477.330512.3854
3.46715.06302.68328.313212.4268
3.46716.07562.64858.33912.3641
3.46717.08822.60968.726912.414
3.02088.010082.58149.216312.2675
3.02089.011342.55429.44812.3875
3.020810.012602.53399.901112.4321
3.020811.013862.50439.752912.5149
2.83412.015122.48489.960612.4193
2.83413.016382.47379.936812.3673
2.83414.017642.445810.318212.4352
2.83415.018902.433210.48612.4671
2.706516.020162.423910.692112.414
2.706517.021422.406410.742612.4607
2.706518.022682.394111.050912.4087
2.706519.023942.382611.240712.3386
2.60320.025202.365811.371112.3992
2.60321.026462.353711.4212.5032
2.60322.027722.347512.066512.5074
2.60323.028982.339812.034312.4342
2.519224.030242.329812.101112.5096
2.519225.031502.321612.256212.4809
2.519226.032762.313112.458512.4427
2.519227.034022.305212.709412.534
2.444528.035282.298412.743212.5053
2.444529.036542.292012.840912.4501
2.444530.037802.286912.636512.4936
2.444531.039062.277712.852312.5234
2.384432.040322.278812.921612.4204
2.384433.041582.271012.956812.5064
2.384434.042842.264312.964112.4299
2.384435.044102.262112.978712.448
2.328236.045362.255413.126412.4374
2.328237.046622.248113.185312.4416
2.328238.047882.247713.325912.4119
2.328239.049142.244813.201712.4278
2.284240.050402.240213.377212.4437
2.284241.051662.237313.218412.414
2.284242.052922.235713.526712.4342
2.284243.054182.231013.575412.4087
2.238844.055442.224413.65312.4427
2.238845.056702.224313.602812.431
2.238846.057962.221613.712812.4151
2.238847.059222.223113.74912.4172
2.206748.060482.219613.725612.4034
2.206749.061742.212513.823712.396
2.206750.063002.213113.664212.4416
2.206751.064262.211513.887612.4119
2.168852.065522.209114.032312.4639
2.168853.066782.208213.91612.3843
2.168854.068042.207113.92412.3758
2.168855.069302.204613.956312.4416
2.140156.070562.202014.059212.483
2.140157.071822.204713.887912.4076
2.140158.073082.201813.926712.3949
2.140159.074342.196414.051812.4363
2.109260.075602.192614.151812.4883
2.109261.076862.197214.13212.4034
2.109262.078122.193914.206612.4151
2.109263.079382.190514.292312.4459
2.093264.080642.193214.247612.3418
2.093265.081902.192514.205712.3907
2.093266.083162.190614.297812.4055
2.093267.084422.190314.327612.4427
2.070668.085682.191814.468112.4034
2.070669.086942.188214.375112.4225
2.070670.088202.187014.590412.4204
2.070671.089462.186514.640912.4512
2.051772.090722.183114.650512.4352
2.051773.091982.183514.748512.4363
2.051774.093242.182414.734412.4586
2.051775.094502.182914.809712.4575
2.038876.095762.182214.668112.4108
2.038877.097022.182314.642112.4342
2.038878.098282.181614.701412.4459
2.038879.099542.181014.74412.4565
2.022480.0100802.183914.788912.4437
2.022481.0102062.179314.80212.4565
2.022482.0103322.177614.770212.4214
2.022483.0104582.180914.677212.4236
2.011584.0105842.178614.70912.4214
2.011585.0107102.180514.769312.3981
2.011586.0108362.179014.762812.4172
2.011587.0109622.178514.753812.3992
2.000788.0110882.178814.749312.3726
2.000789.0112142.178814.879312.4045
2.000790.0113402.178614.831812.3747
2.000791.0114662.176914.806112.4013
1.996792.0115922.175714.810812.3843
1.996793.0117182.174714.803612.379
1.996794.0118442.176414.744712.3737
1.996795.0119702.175914.775912.3875
1.992496.0120962.176014.769512.3875
1.992497.0122222.176214.802212.3769
1.992498.0123482.176314.751912.3822
1.992499.0124742.176014.775612.3832
1.9903100.0126002.176114.771312.3822

Evaluation results

Data SplitBleu
Validation17.8061
Test18.0863

Framework versions

  • Transformers 4.20.0.dev0
  • Pytorch 1.8.0
  • Datasets 2.1.0
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
75cb22e

0 моделей

    Создать бенчмарк