/ Модель

Характеристики

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

DNADebertaK6_Zebrafish

Заполнение пропусковТекст → текст3 профессии

Дообученная DeBERTa-модель для предсказания замаскированных фрагментов ДНК зебрафиша.

88скачиваний 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_Zebrafish — модель семейства DeBERTa, дообученная для работы с последовательностями ДНК зебрафиша. В карточке указана оценка loss 1,4958 на тестовом наборе, но описание обучения и набора данных отсутствует. Модель содержит 59,8 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для задачи fill-mask: предсказания замаскированных фрагментов последовательности. Доступны веса PyTorch.

Модель может пригодиться для анализа и восстановления участков последовательностей ДНК зебрафиша. Базовая модель и лицензия в предоставленных данных не указаны.

Сценарии применения

  • предсказание пропущенных нуклеотидов в последовательности ДНК зебрафиша
  • восстановление замаскированных участков геномной последовательности
  • анализ контекстных закономерностей в последовательностях ДНК зебрафиша

Ограничения

Карточка не описывает обучающие данные и intended use; указано только значение loss 1,4958 на тестовом наборе. 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_Zebrafish

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

  • Loss: 1.4958

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
4.17270.59200001.8535
1.83811.18400001.7512
1.75611.77600001.7235
1.72812.36800001.7019
1.70652.951000001.6822
1.68763.541200001.6639
1.67184.131400001.6501
1.65624.711600001.6350
1.64295.31800001.6211
1.63135.892000001.6102
1.62076.482200001.6001
1.60997.072400001.5902
1.67.662600001.5799
1.59258.252800001.5726
1.58478.843000001.5645
1.57839.433200001.5596
1.571210.023400001.5510
1.565610.613600001.5452
1.559811.23800001.5410
1.554811.794000001.5342
1.549712.384200001.5293
1.54612.964400001.5241
1.539713.554600001.5214
1.536514.144800001.5164
1.532114.735000001.5115
1.528515.325200001.5075
1.524615.915400001.5034
1.521716.55600001.5029
1.519117.095800001.4995
1.51617.686000001.4958

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
d13d134

0 моделей