/ Модель

Характеристики

Контекст
512 токенов
Параметры
59,8 млн
Архитектура
deberta · dense
Опубликована
9 сен 2022

DNADebertaK6_Fruitfly

Заполнение пропусковТекст → текст3 профессии

Дообученная DeBERTa-модель для предсказания замаскированных токенов в последовательностях ДНК плодовой мушки.

74скачиваний за 30 дней0лайковвеса обновлены19 сен 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

DNADebertaK6_Fruitfly — модель семейства DeBERTa с 59,8 млн параметров, дообученная для заполнения маскированных фрагментов последовательностей. Она предназначена для предсказания скрытых токенов в последовательностях ДНК плодовой мушки. Модель использует архитектуру DebertaForMaskedLM, работает с входом длиной до 512 токенов и опубликована в формате PyTorch.

В README приведён результат оценки: loss 1,7137. Данные об обучающем наборе и подробные сведения о качестве и ограничениях не раскрыты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • восстановление скрытых нуклеотидов в последовательности ДНК плодовой мушки
  • предсказание пропущенных фрагментов геномной последовательности
  • изучение контекстных закономерностей в последовательностях ДНК плодовой мушки

Ограничения

В README не приведены обучающие данные и подробные ограничения; указано только значение loss 1,7137 на наборе оценки. Контекст ограничен 512 токенами.

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

DNADebertaK6_Fruitfly

This model is a fine-tuned version of on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.7137

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: 5e-05
  • train_batch_size: 64
  • eval_batch_size: 64
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • training_steps: 600001
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
4.55845.36200001.9795
1.968210.73400001.8618
1.869216.09600001.8273
1.833921.45800001.8076
1.820826.821000001.8073
1.810532.181200001.7925
1.802237.541400001.7909
1.795542.911600001.7836
1.790748.271800001.7769
1.784953.632000001.7755
1.780559.02200001.7677
1.776964.362400001.7690
1.772369.722600001.7614
1.768975.092800001.7586
1.764680.453000001.7523
1.760785.813200001.7484
1.757291.183400001.7458
1.75496.543600001.7460
1.7498101.93800001.7326
1.7463107.274000001.7377
1.7438112.634200001.7318
1.7406117.994400001.7342
1.7383123.364600001.7339
1.7348128.724800001.7244
1.7324134.085000001.7236
1.7289139.455200001.7155
1.7268144.815400001.7254
1.725150.175600001.7191
1.7221155.545800001.7147
1.7209160.96000001.7137

Framework versions

  • Transformers 4.19.2
  • Pytorch 1.11.0
  • Datasets 2.2.2
  • 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
DebertaForMaskedLM
Ревизия весов
3aafc68

0 моделей