Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 21 июн 2022

Ссылки

Hugging Face

bert-base-uncased-mnli

JeremiahZ

Классификация текстаТекст → label3 профессии

Дообученная на GLUE MNLI англоязычная BERT-модель для классификации отношений между предложениями.

164скачиваний за 30 дней1лайквеса обновлены24 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

JeremiahZ опубликовал дообученную модель BERT base uncased для классификации текстовых последовательностей. Она обучена на наборе GLUE MNLI и предсказывает отношение между парой предложений, например следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов.

На оценочной выборке MNLI указаны loss 0,4056 и accuracy 0,8501. Модель предназначена для англоязычных задач классификации; лицензия Apache-2.0. Карточка не описывает другие сценарии применения и не приводит дополнительных ограничений.

Сценарии применения

определение логического следования между предпосылкой и гипотезой
классификация пары предложений как следование, противоречие или нейтральное отношение
оценка семантического отношения между англоязычными текстами

Ограничения

Модель ориентирована на английский язык и ограничена длиной последовательности до 512 токенов. Показатели качества приведены только для оценочной выборки MNLI.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.1Разработка и данныеАнализ требований и архитектура ПОAI помогает переводить потребности бизнеса в непротиворечивые требования и технические решения.20 задач18 191модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-mnli

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

Loss: 0.4056
Accuracy: 0.8501

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: 32
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.4526	1.0	12272	0.4244	0.8388
0.3344	2.0	24544	0.4252	0.8469
0.2307	3.0	36816	0.4974	0.8445

Framework versions

Transformers 4.20.0.dev0
Pytorch 1.11.0+cu113
Datasets 2.1.0
Tokenizers 0.12.1

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: 63a0009