Характеристики

Контекст: 512 токенов
Параметры: 432 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 10 авг 2022

Ссылки

Hugging Face

sd-smallmol-roles-v2

EMBO

Разметка токеновТекст → label3 профессии

Дообученная BioLinkBERT-large для токенной классификации текста, вероятно связанной с ролями малых молекул.

108скачиваний за 30 дней0лайковвеса обновлены25 янв 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

EMBO/sd-smallmol-roles-v2 — модель разметки токенов на базе BioLinkBERT-large, дообученная на наборе source_data_nlp. Она предназначена для присвоения меток отдельным токенам текста; название модели указывает на роли малых молекул, однако README не уточняет схему меток и сценарии разметки. Модель построена на архитектуре BERT, содержит 432,2 млн параметров и рассчитана на контекст до 512 токенов. Для запуска используются веса PyTorch.

На тестовой выборке авторы сообщают F1 0,9672, точность 0,9628 и полноту 0,9716. Модель выпущена под лицензией Apache-2.0. Описание обучающих данных, ограничений и конкретного назначения в карточке отсутствует.

Сценарии применения

разметка ролей малых молекул в научном тексте
присвоение меток токенам в биомедицинских документах
извлечение сущностей и ролей из текста с помощью токенной классификации

Ограничения

README не описывает схему меток, обучающие данные и известные ограничения; заявленные метрики относятся к evaluation set и могут не переноситься на другие данные.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sd-smallmol-roles-v2

This model is a fine-tuned version of michiyasunaga/BioLinkBERT-large on the source_data_nlp dataset. It achieves the following results on the evaluation set:

Loss: 0.0015
Accuracy Score: 0.9995
Precision: 0.9628
Recall: 0.9716
F1: 0.9672

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: 5e-05
train_batch_size: 32
eval_batch_size: 256
seed: 42
optimizer: Adafactor
lr_scheduler_type: linear
num_epochs: 1.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy Score	Precision	Recall	F1
0.0013	1.0	1569	0.0015	0.9995	0.9628	0.9716	0.9672

Framework versions

Transformers 4.20.0
Pytorch 1.11.0a0+bfe5ad2
Datasets 1.17.0
Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 05b40b5