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-sst2

JeremiahZ

Классификация текстаТекст → label4 профессии

Дообученная на SST-2 модель BERT определяет тональность коротких англоязычных текстов.

75скачиваний 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/bert-base-uncased-sst2 — модель классификации текста, дообученная на наборе GLUE SST-2 на базе BERT Base Uncased. Она предназначена для определения тональности коротких англоязычных текстов, например отзывов и комментариев. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов.

На оценочной выборке SST-2 указаны loss 0,2478 и accuracy 0,9323. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. Карточка не уточняет ограничения за пределами результатов на SST-2; качество на других жанрах и языках этими метриками не подтверждается.

Сценарии применения

определение положительной или отрицательной тональности отзыва
анализ тональности комментариев на английском языке
автоматическая сортировка отзывов по эмоциональной окраске

Ограничения

Оценка accuracy 0,9323 относится к оценочной выборке SST-2; качество на других тематиках и языках не подтверждено. Контекст ограничен 512 токенами.

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

bert-base-uncased-sst2

This model is a fine-tuned version of bert-base-uncased on the GLUE SST2 dataset. It achieves the following results on the evaluation set:

Loss: 0.2478
Accuracy: 0.9323

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
0.1668	1.0	2105	0.2513	0.9174
0.1119	2.0	4210	0.2478	0.9323
0.0699	3.0	6315	0.2764	0.9266

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: 1e672ed