Update README.md
Browse files
README.md
CHANGED
@@ -1,5 +1,27 @@
|
|
1 |
-
|
2 |
-
|
3 |
-
|
4 |
-
|
5 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
*Описание модели*
|
2 |
+
|
3 |
+
Описание модели предоставляет основные сведения о модели. Это включает архитектуру, версию, была ли она представлена в какой-либо научной статье, доступна ли оригинальная реализация, автор и общая информация о модели. Здесь следует указать любые авторские права. Общая информация о процедурах обучения, параметрах и важных оговорках также может быть упомянута в этом разделе.
|
4 |
+
|
5 |
+
*Предполагаемые использования и ограничения*
|
6 |
+
|
7 |
+
Здесь вы описываете сценарии использования и задачи для которых предназначена модель, включая например языки, а также области или домены ее возможного применения. В этом разделе карточки модели также можно документировать сценарии в которых она, вероятно, будет работать неоптимально.
|
8 |
+
|
9 |
+
*Как использовать*
|
10 |
+
|
11 |
+
В этом разделе следует привести некоторые примеры использования модели. Здесь можно продемонстрировать использование функции pipeline(), использование классов модели и токенизатора, а также любой другой код, который, по вашему мнению, может быть полезным.
|
12 |
+
|
13 |
+
*Тренировочные данные*
|
14 |
+
|
15 |
+
В этой части следует указать, на каком(их) наборе(ах) данных модель была обучена. Краткое описание набора(ов) данных также приветствуется.
|
16 |
+
|
17 |
+
*Процедура обучения*
|
18 |
+
|
19 |
+
В этом разделе вы должны описать все соответствующие аспекты обучения, которые полезны с точки зрения воспроизводимости. Это включает любую предварительную обработку и пост-обработку, которые были выполнены на данных, а также такие детали, как количество эпох обучения модели, размер партии, скорость обучения и т. д.
|
20 |
+
|
21 |
+
*Переменные и метрики*
|
22 |
+
|
23 |
+
Здесь следует описать метрики, которые вы используете для оценки, и различные факторы, которые вы измеряете. Упоминание о том, какие метрики были использованы, на каком наборе данных и каком разделе данных модель была обучена, позволяет легко сравнивать производительность вашей модели с производительностью других моделей. Эти данные должны быть основаны на предыдущих разделах, таких как предполагаемые пользователи и варианты использования.
|
24 |
+
|
25 |
+
*Результаты оценки*
|
26 |
+
|
27 |
+
Наконец, предоставьте информацию о том, насколько хорошо модель справляется с оценочным набором данных. Если модель использует порог принятия решений, либо предоставьте порог принятия решений, использованный в оценке, либо предоставьте информацию об оценке на разных порогах для предполагаемых вариантов использования.
|