/ Модель

Характеристики

Контекст
512 токенов
Параметры
59,7 млн
Лицензия
Apache 2.0
Архитектура
mobilebert · dense
Опубликована
14 июн 2022

mobilebert_QNLI

Классификация текстаТекст → label6 профессий

Англоязычная MobileBERT для классификации пар вопрос—предложение и определения, содержит ли предложение ответ.

25скачиваний за 30 дней0лайковвеса обновлены14 июн 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

Alireza1044 опубликовал модель MobileBERT, дообученную на наборе GLUE QNLI для классификации пар «вопрос — предложение»: модель определяет, содержит ли предложение ответ на вопрос. Архитектура MobileBERT насчитывает 59,7 млн параметров и обрабатывает вход длиной до 512 токенов. Модель рассчитана на англоязычные данные и представлена в формате PyTorch.

На оценочной выборке QNLI модель показала accuracy 0,9068 и loss 0,3731. Лицензия Apache-2.0 разрешает использование и распространение при соблюдении её условий. Результаты относятся к оценке на QNLI; карточка не описывает качество на других задачах и доменах.

Сценарии применения

  • проверка, отвечает ли фрагмент текста на вопрос
  • отбор предложений-кандидатов для ответов на вопросы
  • классификация пар вопрос—контекст в англоязычном QA

Ограничения

Показатель качества приведён только для оценочной выборки GLUE QNLI; результаты на других задачах и доменах не указаны. Модель настроена на английский язык.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qnli

This model is a fine-tuned version of google/mobilebert-uncased on the GLUE QNLI dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3731
  • Accuracy: 0.9068

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: 1e-05
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10.0

Training results

Framework versions

  • Transformers 4.20.0.dev0
  • 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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MobileBertForSequenceClassification
Ревизия весов
e168cb0

0 моделей