Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 24 июл 2022

Ссылки

Hugging Face

NERDE-base

Gpaiva

Разметка токеновТекст → label7 профессий

Дообученная BERT-модель для разметки именованных сущностей в португальском тексте.

187скачиваний за 30 дней0лайковвеса обновлены3 сен 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

NERDE-base — дообученная модель на архитектуре BERT для распознавания именованных сущностей в тексте на португальском языке. Модель разработана на основе pierreguillou/bert-base-cased-pt-lenerbr и дообучена на наборе данных nerde. Она содержит 136,1 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метки для токенов.

На оценочной выборке указаны Precision 0,9119, Recall 0,9153, F1 0,9136 и Accuracy 0,9842. Модель предназначена для извлечения сущностей из португальских текстов; доступные сведения не уточняют набор типов сущностей и ограничения по жанрам или доменам. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение именованных сущностей из португальских документов
разметка токенов в португальских текстах
автоматическая подготовка сущностей для последующего анализа текста

Ограничения

В карточке не описаны поддерживаемые типы сущностей и ограничения на жанры или домены текстов. Приведённые метрики относятся к оценочной выборке набора nerde и сами по себе не гарантируют аналогичное качество на других данных.

Для каких профессий подходит7

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 I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NERDE-base

This model is a fine-tuned version of pierreguillou/bert-base-cased-pt-lenerbr on the nerde dataset. It achieves the following results on the evaluation set:

Loss: 0.1246
Precision: 0.9119
Recall: 0.9153
F1: 0.9136
Accuracy: 0.9842

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

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.2466	1.0	541	0.1003	0.8515	0.8822	0.8666	0.9782
0.0608	2.0	1082	0.0855	0.8990	0.9083	0.9036	0.9837
0.0411	3.0	1623	0.1006	0.9078	0.9103	0.9090	0.9837
0.0266	4.0	2164	0.1052	0.9023	0.9163	0.9092	0.9828
0.0191	5.0	2705	0.1060	0.9112	0.9183	0.9147	0.9847
0.0153	6.0	3246	0.1152	0.9052	0.9098	0.9075	0.9831
0.0124	7.0	3787	0.1209	0.9029	0.9185	0.9107	0.9835
0.0083	8.0	4328	0.1176	0.9072	0.9163	0.9117	0.9844
0.0077	9.0	4869	0.1240	0.9080	0.9201	0.9140	0.9844
0.0051	10.0	5410	0.1246	0.9119	0.9153	0.9136	0.9842

Framework versions

Transformers 4.20.1
Pytorch 1.12.0+cu113
Datasets 2.3.2
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: 02a72c8