README.md

metadata

license: apache-2.0
base_model: google/electra-small-discriminator
tags:
  - generated_from_keras_callback
model-index:
  - name: nguyennghia0902/electra-small-discriminator_0.0005_32
    results: []
language:
  - vi
pipeline_tag: question-answering

nguyennghia0902/electra-small-discriminator_0.0005_32

This model is a fine-tuned version of google/electra-small-discriminator on Vietnamese dataset. It achieves the following results on the evaluation set:

• Train Loss: 0.9748
• Train End Logits Accuracy: 0.7441
• Train Start Logits Accuracy: 0.7181
• Validation Loss: 0.5570
• Validation End Logits Accuracy: 0.8476
• Validation Start Logits Accuracy: 0.8405
• Validation Matching Accuracy: 0.7642
• Epoch: 10
• Train time: 13988.27401 seconds ~ 3.8855 hours

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• Learning rate: 5e-4
• Batch size: 32
• optimizer: {'name': 'Adam', 'weight_decay': None, 'clipnorm': None, 'global_clipnorm': None, 'clipvalue': None, 'use_ema': False, 'ema_momentum': 0.99, 'ema_overwrite_frequency': None, 'jit_compile': True, 'is_legacy_optimizer': False, 'learning_rate': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 0.0005, 'decay_steps': 15630, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
• training_precision: float32

Training results

Train Loss	Train End Logits Accuracy	Train Start Logits Accuracy	Validation Loss	Validation End Logits Accuracy	Validation Start Logits Accuracy	Epoch
3.4201	0.2553	0.2310	2.6430	0.3942	0.3704	1
2.7588	0.3762	0.3462	2.2758	0.4660	0.4482	2
2.4695	0.4323	0.3983	2.0056	0.5211	0.5006	3
2.2478	0.4745	0.4407	1.7412	0.5763	0.5595	4
2.0321	0.5186	0.4864	1.5126	0.6289	0.6095	5
1.8186	0.5614	0.5319	1.2839	0.6719	0.6647	6
1.6012	0.6060	0.5760	1.0431	0.7322	0.7264	7
1.3677	0.6561	0.6257	0.8193	0.7857	0.7770	8
1.1450	0.7023	0.6765	0.6373	0.8275	0.8215	9
0.9748	0.7441	0.7181	0.5570	0.8476	0.8405	10

Framework versions

• Transformers 4.39.3
• TensorFlow 2.15.0
• Datasets 2.18.0
• Tokenizers 0.15.2

How to use?

from transformers import ElectraTokenizerFast, TFElectraForQuestionAnswering

model_hf = "nguyennghia0902/electra-small-discriminator_0.0005_32"
tokenizer = ElectraTokenizerFast.from_pretrained(model_hf)
reload_model = TFElectraForQuestionAnswering.from_pretrained(model_hf)

question = "Ký túc xá Đại học Quốc gia Thành phố Hồ Chí Minh bao gồm có bao nhiêu khu?"
context = "Ký túc xá Đại học Quốc gia Thành phố Hồ Chí Minh (Ký túc xá ĐHQG-TPHCM) là hệ thống ký túc xá xây tại Khu đô thị Đại học Quốc gia Thành phố Hồ Chí Minh (còn gọi với tên phổ biến: Khu đô thị ĐHQG-HCM hay Làng Đại học Thủ Đức). Ký túc xá ĐHQG-TPHCM gồm có 02 khu: A và B. Địa chỉ: Đường Tạ Quang Bửu, Khu phố 6, phường Linh Trung, thành phố Thủ Đức, Thành phố Hồ Chí Minh, điện thoại: 1900 05 55 59 (111). "

inputs = tokenizer(question, context, return_offsets_mapping=True, return_tensors="tf",m ax_length=512, truncation=True)
offset_mapping = inputs.pop("offset_mapping")
outputs = reload_model(**inputs)
answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])
start_char = offset_mapping[0][answer_start_index][0]
end_char = offset_mapping[0][answer_end_index][1]
predicted_answer_text = context[start_char:end_char]

print(predicted_answer_text)