/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
13 июл 2022

roberta-base-finetuned-cola

Классификация текстаТекст → label3 профессии

Дообученная на CoLA модель RoBERTa-base классифицирует английские предложения по грамматической приемлемости.

37скачиваний за 30 дней0лайковвеса обновлены15 июл 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

Jinchen/roberta-base-finetuned-cola — модель RoBERTa-base, дообученная на задаче CoLA из набора GLUE для классификации грамматической приемлемости английских предложений. Она содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и выдаёт метку класса. На оценочной выборке указаны loss 0,4211 и Matthews Correlation 0,6279. Модель распространяется в формате PyTorch по лицензии MIT.

Сценарии применения

  • оценка грамматической приемлемости английских предложений
  • поиск грамматически некорректных фраз в англоязычном тексте
  • автоматическая проверка предложений в языковых экспериментах

Ограничения

Модель предназначена для классификации грамматической приемлемости английских предложений; результаты на CoLA не гарантируют точность для других языков и задач. Описание обучения и ограничений в карточке не раскрыто.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-base-finetuned-cola

This model is a fine-tuned version of roberta-base on the glue dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4211
  • Matthews Correlation: 0.6279

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: 1
  • eval_batch_size: 1
  • seed: 42
  • distributed_type: IPU
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 64
  • total_eval_batch_size: 20
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5
  • training precision: Mixed Precision

Training results

Training LossEpochStepValidation LossMatthews Correlation
0.42181.01330.42360.5243
0.20772.02660.39700.5930
0.1843.03990.42110.6279
0.18074.05320.48540.6197
0.14055.06650.56930.5968

Framework versions

  • Transformers 4.20.1
  • Pytorch 1.10.0+cpu
  • 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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
PoptorchPipelinedRobertaForSequenceClassification
Ревизия весов
d0a1a5d

0 моделей