Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Архитектура: bert · dense
Базовая модель: bert-base-multilingual-cased-sentiment-multilingual
Опубликована: 23 ноя 2023

Ссылки

Hugging Face

Improved-mBERT-attempt2

Anwaarma

Классификация текстаТекст → label5 профессий

Дообученная мультиязычная BERT-модель для классификации текста, у которой на оценочной выборке указана точность 0,83.

7скачиваний за 30 дней0лайковвеса обновлены23 ноя 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

Anwaarma/Improved-mBERT-attempt2 — мультиязычная модель классификации текста на основе BERT, дообученная на базе cardiffnlp/bert-base-multilingual-cased-sentiment-multilingual. По метрикам карточки, на оценочной выборке модель показала accuracy 0,83 и loss 0,4767; датасет и схема меток не описаны. Архитектура — BertForSequenceClassification, размер — 205,1 млн параметров, длина контекста — до 512 токенов.

Базовая модель предназначена для определения тональности коротких текстов, в том числе сообщений в социальных сетях, однако назначение дообучения этой версии отдельно не уточнено. Модель опубликована в формате PyTorch; условия лицензии в доступных данных не приведены.

Сценарии применения

классификация коротких текстов
определение тональности сообщений в социальных сетях
анализ настроений в мультиязычных текстах

Ограничения

Датасет, схема классов и назначение дообучения не описаны, поэтому метрики нельзя уверенно переносить на другие данные и сценарии. Лицензия в предоставленных данных не указана.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Improved-mBERT-attempt2

This model is a fine-tuned version of cardiffnlp/bert-base-multilingual-cased-sentiment-multilingual on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4767
Accuracy: 0.83

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: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.07	50	0.4113	0.83
No log	0.14	100	0.4244	0.8
No log	0.21	150	0.5003	0.79
No log	0.27	200	0.6269	0.72
No log	0.34	250	0.4152	0.79
No log	0.41	300	0.5146	0.78
No log	0.48	350	0.4050	0.83
No log	0.55	400	0.3897	0.83
No log	0.62	450	0.3976	0.82
0.4388	0.68	500	0.5089	0.78
0.4388	0.75	550	0.4276	0.82
0.4388	0.82	600	0.4009	0.83
0.4388	0.89	650	0.5864	0.73
0.4388	0.96	700	0.4581	0.79
0.4388	1.03	750	0.4783	0.8
0.4388	1.1	800	0.3497	0.88
0.4388	1.16	850	0.5715	0.75
0.4388	1.23	900	0.3953	0.84
0.4388	1.3	950	0.4425	0.85
0.3525	1.37	1000	0.4271	0.86
0.3525	1.44	1050	0.4252	0.84
0.3525	1.51	1100	0.4297	0.85
0.3525	1.58	1150	0.5833	0.8
0.3525	1.64	1200	0.5043	0.81
0.3525	1.71	1250	0.3593	0.87
0.3525	1.78	1300	0.3999	0.8
0.3525	1.85	1350	0.4493	0.8
0.3525	1.92	1400	0.4266	0.82
0.3525	1.99	1450	0.5052	0.81
0.304	2.05	1500	0.4767	0.83

Framework versions

Transformers 4.34.1
Pytorch 2.1.0+cu118
Datasets 2.14.7
Tokenizers 0.14.1

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: BertForSequenceClassification
Ревизия весов: 8c0c0fa