Характеристики

Контекст: 512 токенов
Параметры: 424 млн
Лицензия: GPL 3.0
Архитектура: bert · dense
Опубликована: 21 авг 2022

Ссылки

Hugging Face

Cbert_base_ws-finetuned-ner

HYM

Разметка токеновТекст → label5 профессий

Модель BERT для разметки токенов и извлечения именованных сущностей из китайского текста.

11скачиваний за 30 дней0лайковвеса обновлены23 авг 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

HYM/Cbert_base_ws-finetuned-ner — модель на архитектуре BERT, дообученная разработчиком HYM на основе ckiplab/bert-base-chinese-ws для разметки последовательностей токенов. Она предназначена для извлечения именованных сущностей в китайском тексте. В README приведены результаты на оценочном наборе: F1 0,9617, точность 0,9602, полнота 0,9633 и accuracy 0,9827; состав набора данных и подробности обучения не описаны.

Модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия — GPL-3.0.

Сценарии применения

извлечение именованных сущностей из китайских документов
разметка сущностей в китайских новостях
поиск имён людей, организаций и мест в китайском тексте

Ограничения

Данные обучения и схема меток в README не описаны, поэтому пригодность для конкретного типа текста или набора сущностей не установлена. Контекст модели ограничен 512 токенами.

Для каких профессий подходит5

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.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cbert_base_ws-finetuned-ner

This model is a fine-tuned version of ckiplab/bert-base-chinese-ws on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0582
Precision: 0.9602
Recall: 0.9633
F1: 0.9617
Accuracy: 0.9827

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: 18
eval_batch_size: 18
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
0.0482	0.64	1000	0.0509	0.9601	0.9582	0.9592	0.9817
0.0364	1.28	2000	0.0521	0.9590	0.9615	0.9602	0.9820
0.0341	1.92	3000	0.0548	0.9546	0.9625	0.9585	0.9812
0.0264	2.56	4000	0.0550	0.9593	0.9623	0.9608	0.9822
0.0227	3.19	5000	0.0582	0.9602	0.9633	0.9617	0.9827
0.021	3.83	6000	0.0595	0.9581	0.9624	0.9603	0.9820
0.0162	4.47	7000	0.0686	0.9574	0.9626	0.9600	0.9819
0.0159	5.11	8000	0.0719	0.9596	0.9614	0.9605	0.9822
0.0144	5.75	9000	0.0732	0.9590	0.9620	0.9605	0.9822
0.0109	6.39	10000	0.0782	0.9599	0.9626	0.9612	0.9824
0.0122	7.03	11000	0.0803	0.9605	0.9620	0.9612	0.9825
0.0097	7.67	12000	0.0860	0.9591	0.9620	0.9605	0.9822
0.0087	8.31	13000	0.0877	0.9591	0.9616	0.9603	0.9821
0.0087	8.95	14000	0.0902	0.9585	0.9630	0.9607	0.9823
0.0078	9.58	15000	0.0929	0.9589	0.9621	0.9605	0.9821

Framework versions

Transformers 4.13.0
Pytorch 1.8.0+cu111
Datasets 2.4.0
Tokenizers 0.10.3

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: aadca93