/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
30 авг 2022

bert-a-saurus

Заполнение пропусковТекст → текст3 профессии

Дообученная англоязычная DistilBERT-модель для предсказания пропущенных слов в тексте.

46скачиваний за 30 дней0лайковвеса обновлены2 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

tfranklin/bert-a-saurus — модель DistilBERT с головой языкового моделирования, дообученная на базе distilbert-base-uncased. Она предсказывает пропущенный токен в тексте по окружающему контексту и подходит для задач заполнения масок. Контекст ограничен 512 токенами; репозиторий содержит веса в формате TensorFlow.

В карточке приведены значения потерь на обучающей и валидационной выборках после двух эпох, но назначение и состав датасета не раскрыты, поэтому эти показатели не позволяют оценить качество на конкретных задачах. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • подбор пропущенного слова в предложении
  • восстановление замаскированных токенов
  • получение контекстных вариантов для пропуска в тексте

Ограничения

Датасет обучения не указан, а сведения о предполагаемом применении и ограничениях в карточке отсутствуют. Контекст модели 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

tfranklin/bert-a-saurus

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0003
  • Validation Loss: 0.0004
  • Epoch: 2

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': {'class_name': 'WarmUp', 'config': {'initial_learning_rate': 2e-05, 'decay_schedule_fn': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 1202, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'passive_serialization': True}, 'warmup_steps': 1000, 'power': 1.0, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossValidation LossEpoch
0.24240.00040
0.00040.00041
0.00030.00042

Framework versions

  • Transformers 4.22.0.dev0
  • TensorFlow 2.9.2
  • Datasets 2.4.0
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
DistilBertForMaskedLM
Ревизия весов
fdeafd8

0 моделей