Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 6 дек 2023

Ссылки

Hugging Face

NLP2_Base_1e-4

NathanJLee

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текстов длиной до 512 токенов.

9скачиваний за 30 дней0лайковвеса обновлены6 дек 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

NLP2_Base_1e-4 — модель классификации текста, разработанная NathanJLee и дообученная на основе distilbert/distilbert-base-uncased. Она использует архитектуру DistilBERT для классификации последовательностей и принимает текстовые входные данные. Модель рассчитана на задачи классификации текстов с контекстом до 512 токенов.

Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает набор меток, данные обучения, результаты оценки или целевую область применения, поэтому пригодность для конкретного сценария следует проверять отдельно.

Сценарии применения

классификация коротких текстов
распределение текстов по заданным категориям
классификация последовательностей в NLP-конвейере

Ограничения

Не описаны набор меток, обучающие данные и качество на тестовых выборках; назначение классификации может требовать дополнительной проверки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NLP2_Base_1e-4

This model is a fine-tuned version of distilbert-base-uncased on the None dataset.

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: 0.0001
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: ac4678a