Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 3 сен 2022

Ссылки

Hugging Face

BioBERT

Dinithi

Классификация текстаТекст → label3 профессии

Дообученная BioBERT для классификации текстов, с опубликованными метриками на оценочном наборе.

13скачиваний за 30 дней0лайковвеса обновлены3 сен 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

Dinithi/BioBERT — дообученная модель семейства BERT на основе dmis-lab/biobert-v1.1, разработанная для классификации текста. В репозитории указано 135,5 млн параметров и контекст до 512 токенов; модель сохранена в формате PyTorch.

Карточка приводит результаты на оценочном наборе: accuracy 0,79, precision 0,8730, recall 0,8088 и F1 0,8397. Датасет, набор классов и конкретное назначение классификации не описаны, поэтому приведённые метрики нельзя уверенно переносить на другие данные. Условия лицензирования в доступных сведениях не указаны.

Сценарии применения

классификация биомедицинских текстов при наличии подходящих меток
экспериментальная оценка качества классификатора на собственном наборе данных
сравнение результатов классификации с базовой моделью BioBERT

Ограничения

Датасет, классы и предметная задача не описаны; опубликованные метрики относятся только к неизвестному оценочному набору. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей 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

BioBERT

This model is a fine-tuned version of dmis-lab/biobert-v1.1 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.9310
Accuracy: 0.79
Precision: 0.8730
Recall: 0.8088
F1: 0.8397

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
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.6755	1.0	50	0.6608	0.47	0.9412	0.2353	0.3765
0.6097	2.0	100	0.5785	0.68	0.8214	0.6765	0.7419
0.5123	3.0	150	0.5240	0.7	0.9318	0.6029	0.7321
0.3547	4.0	200	0.4475	0.8	0.9138	0.7794	0.8413
0.2413	5.0	250	0.5033	0.81	0.9153	0.7941	0.8504
0.1398	6.0	300	0.6918	0.8	0.8636	0.8382	0.8507
0.0995	7.0	350	0.7694	0.79	0.8730	0.8088	0.8397
0.0636	8.0	400	0.8876	0.84	0.8824	0.8824	0.8824
0.0512	9.0	450	0.9019	0.8	0.875	0.8235	0.8485
0.0359	10.0	500	0.9310	0.79	0.8730	0.8088	0.8397

Framework versions

Transformers 4.21.2
Pytorch 1.12.1+cu113
Datasets 2.4.0
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: BertForSequenceClassification
Ревизия весов: 7dd5b04