/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Архитектура
bert · dense

danish-emotion-classification

Классификация текстаТекст → label3 профессии

BERT-модель классифицирует датские предложения по шести категориям эмоций.

31скачиваний за 30 дней6лайковвеса обновлены4 янв 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

NikolajMunch/danish-emotion-classification — модель на основе BERT для многоклассовой классификации датских предложений по шести эмоциям из категории эмоций Экмана. Она предназначена для анализа эмоциональной окраски коротких текстов; в карточке приведён пример классификации отдельного предложения. Модель имеет 137,8 млн параметров, архитектуру BertForSequenceClassification и контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

Сценарии применения

  • определение эмоции в датском предложении
  • анализ эмоциональной окраски датских сообщений
  • классификация датских текстов по категориям эмоций

Ограничения

Модель ориентирована на датский язык и классификацию по шести эмоциям; для иных языков и задач её пригодность не подтверждена. Контекст ограничен 512 токенами.

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

-- EMODa --

BERT-model for danish multi-class classification of emotions

Classifies a danish sentence into one of 6 different emotions:

Danish emotionEkman's emotion
😞 AfskyDisgust
😨 FrygtFear
😄 GlædeJoy
😱 OverraskelseSurprise
😢 TristhedSadness
😠 VredeAnger

How to use

from transformers import pipeline

model_path = "NikolajMunch/danish-emotion-classification"
classifier = pipeline("sentiment-analysis", model=model_path, tokenizer=model_path)
prediction = classifier("Jeg er godt nok ked af at mine SMS'er er slettet")

print(prediction)
# [{'label': 'Tristhed', 'score': 0.9725030660629272}]

or

from transformers import AutoTokenizer, AutoModelForSequenceClassification
  
tokenizer = AutoTokenizer.from_pretrained("NikolajMunch/danish-emotion-classification")

model = AutoModelForSequenceClassification.from_pretrained("NikolajMunch/danish-emotion-classification")

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
17c97ce

0 моделей