Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 7 ноя 2022

Ссылки

Hugging Face

Sentiment140_BERT_5E

Etelis

Классификация текстаТекст → label4 профессии

BERT, дообученный на Sentiment140 для классификации тональности коротких текстовых сообщений.

23скачиваний за 30 дней1лайквеса обновлены7 ноя 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

Etelis/Sentiment140_BERT_5E — модель классификации тональности текста, созданная дообучением bert-base-cased на наборе данных Sentiment140. Она предназначена для определения тональности коротких текстовых сообщений, например публикаций в социальных сетях. Модель основана на архитектуре BERT и содержит 135,5 млн параметров; максимальная длина контекста составляет 512 токенов. Для классификации доступна оценка accuracy 0,82 на наборе оценки.

Модель принимает текст и выдаёт результат классификации. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не описывает разметку классов и подробности оценки, поэтому переносить заявленную точность на другие данные не следует.

Сценарии применения

определение тональности публикаций в соцсетях
анализ тональности коротких сообщений
классификация отзывов по тональности
оценка тональности англоязычных твитов

Ограничения

Заявленная accuracy 0,82 относится только к набору оценки; качество на других данных может отличаться. В карточке не описаны классы тональности и подробные ограничения применения.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sentiment140_BERT_5E

This model is a fine-tuned version of bert-base-cased on the sentiment140 dataset. It achieves the following results on the evaluation set:

Loss: 0.7061
Accuracy: 0.82

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: 16
eval_batch_size: 8
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
0.6882	0.08	50	0.6047	0.7
0.6223	0.16	100	0.5137	0.8067
0.5463	0.24	150	0.4573	0.8067
0.4922	0.32	200	0.4790	0.8
0.4821	0.4	250	0.4207	0.8267
0.4985	0.48	300	0.4267	0.8067
0.4455	0.56	350	0.4301	0.8133
0.469	0.64	400	0.4294	0.82
0.4906	0.72	450	0.4059	0.8067
0.4006	0.8	500	0.4181	0.8133
0.445	0.88	550	0.3948	0.8267
0.4302	0.96	600	0.3976	0.84
0.4442	1.04	650	0.3887	0.8533
0.3424	1.12	700	0.4119	0.8267
0.3589	1.2	750	0.4083	0.8533
0.3737	1.28	800	0.4253	0.8333
0.334	1.36	850	0.4147	0.86
0.3637	1.44	900	0.3926	0.8533
0.3388	1.52	950	0.4084	0.8267
0.3375	1.6	1000	0.4132	0.8467
0.3725	1.68	1050	0.3965	0.8467
0.3649	1.76	1100	0.3956	0.8333
0.3799	1.84	1150	0.3923	0.8333
0.3695	1.92	1200	0.4266	0.84
0.3233	2.0	1250	0.4225	0.8333
0.2313	2.08	1300	0.4672	0.8333
0.231	2.16	1350	0.5212	0.8133
0.2526	2.24	1400	0.5392	0.8067
0.2721	2.32	1450	0.4895	0.82
0.2141	2.4	1500	0.5258	0.8133
0.2658	2.48	1550	0.5046	0.8267
0.2386	2.56	1600	0.4873	0.8267
0.2493	2.64	1650	0.4950	0.8333
0.2692	2.72	1700	0.5080	0.8267
0.2226	2.8	1750	0.5016	0.8467
0.2522	2.88	1800	0.5068	0.8267
0.2556	2.96	1850	0.4937	0.8267
0.2311	3.04	1900	0.5103	0.8267
0.1703	3.12	1950	0.5680	0.82
0.1744	3.2	2000	0.5501	0.82
0.1667	3.28	2050	0.6142	0.82
0.1863	3.36	2100	0.6355	0.82
0.2543	3.44	2150	0.6000	0.8133
0.1565	3.52	2200	0.6618	0.8267
0.1531	3.6	2250	0.6595	0.8133
0.1915	3.68	2300	0.6647	0.8267
0.1601	3.76	2350	0.6729	0.8267
0.176	3.84	2400	0.6699	0.82
0.1815	3.92	2450	0.6819	0.8067
0.1987	4.0	2500	0.6543	0.8333
0.1236	4.08	2550	0.6686	0.8333
0.1599	4.16	2600	0.6583	0.8267
0.1256	4.24	2650	0.6871	0.8267
0.1291	4.32	2700	0.6855	0.82
0.1198	4.4	2750	0.6901	0.82
0.1245	4.48	2800	0.7152	0.8267
0.1784	4.56	2850	0.7053	0.82
0.1705	4.64	2900	0.7016	0.82
0.1265	4.72	2950	0.7013	0.82
0.1192	4.8	3000	0.7084	0.82
0.174	4.88	3050	0.7062	0.82
0.1328	4.96	3100	0.7061	0.82

Framework versions

Transformers 4.24.0
Pytorch 1.12.1+cu113
Datasets 2.6.1
Tokenizers 0.13.1

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: 7b605db