Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased-finetuned-sst-2-english
Опубликована: 7 авг 2023

Ссылки

Hugging Face

finetuning-SentimentAnalysis-model

MahmoudMohsen

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации тональности англоязычных текстов.

8скачиваний за 30 дней0лайковвеса обновлены7 авг 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

MahmoudMohsen/finetuning-SentimentAnalysis-model — модель классификации текста на основе DistilBERT, дообученная на GLUE и использующая в качестве базы distilbert/distilbert-base-uncased-finetuned-sst-2-english. Она предназначена для анализа тональности англоязычных текстов. В README указаны результаты оценки: accuracy 0,9025 и F1 0,9024; модель доступна в формате PyTorch и лицензирована по Apache-2.0.

Модель принимает текст и выдаёт метки классов тональности. Максимальная длина контекста составляет 512 токенов. README не уточняет состав обучающих примеров, конкретные метки классов и ограничения модели.

Сценарии применения

определение тональности англоязычных отзывов
классификация англоязычных комментариев по тональности
анализ эмоциональной окраски коротких текстов

Ограничения

Модель ориентирована на англоязычные тексты; качество на других языках не подтверждено. В README приведены метрики оценки, но не описаны разбиение и условия тестирования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuning-SentimentAnalysis-model

This model is a fine-tuned version of distilbert-base-uncased-finetuned-sst-2-english on the glue dataset. It achieves the following results on the evaluation set:

Loss: 0.3755
Accuracy: 0.9025
F1: 0.9024

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: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.0575	1.0	1053	0.2953	0.9071	0.9070
0.0328	2.0	2106	0.3755	0.9025	0.9024

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.14.3
Tokenizers 0.13.3

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: DistilBertForSequenceClassification
Ревизия весов: 7aa875d