Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Архитектура: bert · dense
Базовая модель: BP-server02andinteger03
Опубликована: 24 дек 2023

Ссылки

Hugging Face

Merged-Server-praj

Anwaarma

Классификация текстаТекст → label3 профессии

Дообученная BERT-модель для классификации текстовых последовательностей.

18скачиваний за 30 дней0лайковвеса обновлены24 дек 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/Merged-Server-praj — модель классификации последовательностей на архитектуре BERT, дообученная на основе Anwaarma/BP-server02andinteger03. Она предназначена для присвоения меток текстовым последовательностям; размер модели — 4,4 млн параметров, длина контекста — до 512 токенов. Модель создана 24 декабря 2023 года и распространяется в формате safetensors.

В README приведены результаты оценки: loss 0,6453, accuracy 0,619 и F1 0,7647. Данные обучения и конкретные классы не описаны, поэтому применимость к определённой предметной области оценить нельзя. Лицензия в предоставленных данных не указана.

Сценарии применения

Классификация текстовых сообщений по заданным категориям
Присвоение меток коротким текстам
Классификация последовательностей длиной до 512 токенов

Ограничения

В README не описаны обучающие данные, классы и предполагаемые сценарии применения; приведённые метрики сами по себе не показывают качество на конкретной задаче. Лицензия не указана в предоставленных данных.

Для каких профессий подходит3

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Merged-Server-praj

This model is a fine-tuned version of Anwaarma/BP-server02andinteger03 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6453
Accuracy: 0.619
F1: 0.7647

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: 4e-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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	0.0	50	0.6887	0.518	0.4747
No log	0.0	100	0.6872	0.539	0.4913
No log	0.01	150	0.6870	0.556	0.5124
No log	0.01	200	0.6845	0.554	0.5490
No log	0.01	250	0.6823	0.555	0.5509
No log	0.01	300	0.6818	0.545	0.5339
No log	0.02	350	0.6841	0.561	0.5207
No log	0.02	400	0.6845	0.566	0.5402
No log	0.02	450	0.6792	0.566	0.5650
0.6886	0.02	500	0.6808	0.532	0.4867
0.6886	0.02	550	0.6821	0.527	0.4643
0.6886	0.03	600	0.6777	0.577	0.5729
0.6886	0.03	650	0.6758	0.58	0.58
0.6886	0.03	700	0.6762	0.585	0.5793
0.6886	0.03	750	0.6743	0.577	0.5731
0.6886	0.04	800	0.6731	0.577	0.5762
0.6886	0.04	850	0.6762	0.582	0.5534
0.6886	0.04	900	0.6749	0.568	0.5458
0.6886	0.04	950	0.6739	0.578	0.5746
0.6819	0.04	1000	0.6715	0.588	0.588
0.6819	0.05	1050	0.6741	0.579	0.5524
0.6819	0.05	1100	0.6712	0.592	0.5894
0.6819	0.05	1150	0.6692	0.594	0.5905
0.6819	0.05	1200	0.6683	0.597	0.5957
0.6819	0.06	1250	0.6757	0.566	0.5209
0.6819	0.06	1300	0.6676	0.6	0.5882
0.6819	0.06	1350	0.6655	0.598	0.5943
0.6819	0.06	1400	0.6671	0.584	0.5724
0.6819	0.06	1450	0.6631	0.587	0.5812
0.6763	0.07	1500	0.6614	0.62	0.6140
0.6763	0.07	1550	0.6610	0.603	0.6018
0.6763	0.07	1600	0.6615	0.589	0.5843
0.6763	0.07	1650	0.6597	0.633	0.6326
0.6763	0.08	1700	0.6561	0.607	0.6025
0.6763	0.08	1750	0.6515	0.632	0.6318
0.6763	0.08	1800	0.6509	0.635	0.6323
0.6763	0.08	1850	0.6538	0.604	0.5903
0.6763	0.08	1900	0.6483	0.632	0.632
0.6763	0.09	1950	0.6513	0.616	0.6142
0.6659	0.09	2000	0.6475	0.618	0.6166
0.6659	0.09	2050	0.6443	0.613	0.6106
0.6659	0.09	2100	0.6482	0.629	0.6261
0.6659	0.1	2150	0.6552	0.604	0.5837
0.6659	0.1	2200	0.6492	0.618	0.6042
0.6659	0.1	2250	0.6441	0.63	0.6256
0.6659	0.1	2300	0.6447	0.63	0.6293
0.6659	0.1	2350	0.6429	0.633	0.6317
0.6659	0.11	2400	0.6450	0.62	0.6200
0.6659	0.11	2450	0.6480	0.639	0.6358
0.6577	0.11	2500	0.6480	0.601	0.5844
0.6577	0.11	2550	0.6422	0.641	0.6402
0.6577	0.11	2600	0.6407	0.623	0.6177
0.6577	0.12	2650	0.6393	0.634	0.6336
0.6577	0.12	2700	0.6405	0.635	0.6320
0.6577	0.12	2750	0.6422	0.642	0.6413
0.6577	0.12	2800	0.6355	0.632	0.6271
0.6577	0.13	2850	0.6351	0.622	0.6150
0.6577	0.13	2900	0.6331	0.658	0.6569
0.6577	0.13	2950	0.6352	0.656	0.6548
0.6569	0.13	3000	0.6385	0.609	0.5927
0.6569	0.13	3050	0.6307	0.645	0.6449
0.6569	0.14	3100	0.6304	0.639	0.6324
0.6569	0.14	3150	0.6268	0.654	0.6540
0.6569	0.14	3200	0.6297	0.641	0.6402
0.6569	0.14	3250	0.6293	0.651	0.6488
0.6569	0.15	3300	0.6251	0.66	0.66
0.6569	0.15	3350	0.6207	0.653	0.6513
0.6569	0.15	3400	0.6184	0.649	0.6470
0.6569	0.15	3450	0.6176	0.653	0.6523
0.6394	0.15	3500	0.6195	0.654	0.6527
0.6394	0.16	3550	0.6172	0.655	0.6535
0.6394	0.16	3600	0.6168	0.659	0.6590
0.6394	0.16	3650	0.6138	0.664	0.6631
0.6394	0.16	3700	0.6228	0.659	0.6478
0.6394	0.17	3750	0.6117	0.662	0.6608
0.6394	0.17	3800	0.6121	0.645	0.6443
0.6394	0.17	3850	0.6099	0.652	0.6515
0.6394	0.17	3900	0.6128	0.657	0.6515
0.6394	0.17	3950	0.6103	0.65	0.6499
0.6366	0.18	4000	0.6149	0.652	0.6447
0.6366	0.18	4050	0.6111	0.652	0.6518
0.6366	0.18	4100	0.6098	0.651	0.6502
0.6366	0.18	4150	0.6072	0.666	0.6640
0.6366	0.19	4200	0.6065	0.669	0.6646
0.6366	0.19	4250	0.6057	0.658	0.6531
0.6366	0.19	4300	0.6044	0.667	0.6634
0.6366	0.19	4350	0.6061	0.656	0.6451
0.6366	0.19	4400	0.5962	0.666	0.6660
0.6366	0.2	4450	0.5936	0.664	0.6637
0.6275	0.2	4500	0.5978	0.651	0.6508
0.6275	0.2	4550	0.5998	0.664	0.6601
0.6275	0.2	4600	0.5967	0.657	0.6560
0.6275	0.21	4650	0.5931	0.671	0.6708
0.6275	0.21	4700	0.5953	0.686	0.6856
0.6275	0.21	4750	0.6119	0.643	0.6331
0.6275	0.21	4800	0.6035	0.657	0.6497
0.6275	0.21	4850	0.5864	0.676	0.6756
0.6275	0.22	4900	0.5876	0.681	0.6809
0.6275	0.22	4950	0.5864	0.677	0.6762
0.6279	0.22	5000	0.5876	0.677	0.6770
0.6279	0.22	5050	0.5876	0.666	0.6636
0.6279	0.23	5100	0.5848	0.675	0.6745
0.6279	0.23	5150	0.5904	0.672	0.6719
0.6279	0.23	5200	0.5854	0.672	0.6718
0.6279	0.23	5250	0.5864	0.673	0.6709

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.0
Tokenizers 0.15.0

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: 684f203