/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense
Опубликована
2 мар 2022

malaysian-distilbert-small

Заполнение пропусковТекст → текст3 профессии

Небольшая малайскоязычная модель DistilBERT для предсказания пропущенных слов и извлечения признаков текста.

51скачиваний за 30 дней0лайковвеса обновлены28 июн 2023

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

Malaysian DistilBERT Small — языковая модель Wilson Wongso для заполнения пропусков в тексте на малайском языке. Она основана на предварительно обученной англоязычной DistilBERT и дообучена на подмножестве OSCAR `unshuffled_original_ms` с помощью Transformers и Trainer. Архитектура — DistilBERT с головой masked language modeling, размер — 66 млн параметров, контекст — до 512 токенов.

Модель подходит для подстановки вероятных слов вместо маскированных фрагментов и извлечения текстовых признаков. В README приведён пример заполнения маски в предложении на малайском; для валидационной выборки указана perplexity 10,33 после одной эпохи обучения. Модель доступна в форматах PyTorch, Safetensors и TensorFlow.

Модель выпущена под лицензией MIT. Результаты могут наследовать смещения и другие ограничения данных OSCAR.

Сценарии применения

  • подстановка пропущенного слова в малайском предложении
  • получение вероятных продолжений для маскированного текста
  • извлечение признаков из малайского текста

Ограничения

Модель дообучена на подмножестве OSCAR, поэтому может наследовать смещения и ограничения этого корпуса. В README приведена оценка после одной эпохи обучения; она не подтверждает качество для всех задач и текстовых жанров.

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

Malaysian DistilBERT Small

Malaysian DistilBERT Small is a masked language model based on the DistilBERT model. It was trained on the OSCAR dataset, specifically the unshuffled_original_ms subset.

The model was originally HuggingFace's pretrained English DistilBERT model and is later fine-tuned on the Malaysian dataset. It achieved a perplexity of 10.33 on the validation dataset (20% of the dataset). Many of the techniques used are based on a Hugging Face tutorial notebook written by Sylvain Gugger, and fine-tuning tutorial notebook written by Pierre Guillou.

Hugging Face's Transformers library was used to train the model -- utilizing the base DistilBERT model and their Trainer class. PyTorch was used as the backend framework during training, but the model remains compatible with TensorFlow nonetheless.

Model

Model#paramsArch.Training/Validation data (text)
malaysian-distilbert-small66MDistilBERT SmallOSCAR unshuffled_original_ms Dataset

Evaluation Results

The model was trained for 1 epoch and the following is the final result once the training ended.

train lossvalid lossperplexitytotal time
2.4762.33610.330:40:05

How to Use

As Masked Language Model

from transformers import pipeline

pretrained_name = "w11wo/malaysian-distilbert-small"

fill_mask = pipeline(
    "fill-mask",
    model=pretrained_name,
    tokenizer=pretrained_name
)

fill_mask("Henry adalah seorang lelaki yang tinggal di [MASK].")

Feature Extraction in PyTorch

from transformers import DistilBertModel, DistilBertTokenizerFast

pretrained_name = "w11wo/malaysian-distilbert-small"
model = DistilBertModel.from_pretrained(pretrained_name)
tokenizer = DistilBertTokenizerFast.from_pretrained(pretrained_name)

prompt = "Bolehkah anda [MASK] Bahasa Melayu?"
encoded_input = tokenizer(prompt, return_tensors='pt')
output = model(**encoded_input)

Disclaimer

Do consider the biases which came from the OSCAR dataset that may be carried over into the results of this model.

Author

Malaysian DistilBERT Small was trained and evaluated by Wilson Wongso. All computation and development are done on Google Colaboratory using their free GPU access.

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
DistilBertForMaskedLM
Ревизия весов
2f24b0c

0 моделей