Характеристики

Контекст: 2 048 токенов
Параметры: 29 млн
Архитектура: bert · dense
Опубликована: 29 ноя 2022

Ссылки

Hugging Face

rubert-tiny2-finetuned-ner

Evolett

Разметка токеновТекст → label4 профессии

Компактная BERT-модель для распознавания именованных сущностей в тексте, обученная на CoNLL-2003.

24скачиваний за 30 дней1лайквеса обновлены29 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

Evolett/rubert-tiny2-finetuned-ner — модель семейства BERT, разработанная автором репозитория и обученная с нуля для распознавания именованных сущностей. Она классифицирует токены текста; карточка указывает датасет CoNLL-2003. В метаданных указаны 29 млн параметров, контекст до 2048 токенов и формат PyTorch.

На оценочной выборке модель показала F1 0,7203, точность 0,7137, полноту 0,7271 и accuracy 0,9363. Она подходит для извлечения сущностей из текста и экспериментов с NER, однако метрики указывают на ограниченное качество, а сведения о целевых языках и ограничениях применения в карточке отсутствуют. Лицензия в предоставленных данных не указана.

Сценарии применения

выделение имен людей, организаций и мест в тексте
автоматическая разметка сущностей в новостях
извлечение именованных сущностей из документов
эксперименты и прототипирование NER-конвейеров

Ограничения

На оценочной выборке F1 составляет 0,7203; результат может быть недостаточен для задач, требующих высокой полноты и точности. Язык обучающих примеров и лицензия в предоставленных данных не указаны.

Для каких профессий подходит4

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей 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

rubert-tiny2-finetuned-ner

This model was trained from scratch on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.2259
Precision: 0.7137
Recall: 0.7271
F1: 0.7203
Accuracy: 0.9363

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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.6327	1.0	878	0.3218	0.6068	0.6009	0.6038	0.9114
0.2937	2.0	1756	0.2434	0.6864	0.7013	0.6938	0.9307
0.2357	3.0	2634	0.2259	0.7137	0.7271	0.7203	0.9363

Framework versions

Transformers 4.24.0
Pytorch 1.12.1+cu113
Datasets 2.7.1
Tokenizers 0.13.2

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: 48f2382