Характеристики

Контекст: 512 токенов
Параметры: 129 млн
Архитектура: bert · dense
Базовая модель: bert-base-chinese
Библиотека: transformers
Опубликована: 2 ноя 2024

Ссылки

Hugging Face

bert-ner-msra

PassbyGrocer

Разметка токеновТекст → label3 профессии

Дообученная китайская BERT-модель для распознавания именованных сущностей в тексте.

97скачиваний за 30 дней0лайковвеса обновлены2 ноя 2024

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

PassbyGrocer/bert-ner-msra — модель на базе китайской google-bert/bert-base-chinese, дообученная для распознавания именованных сущностей на уровне токенов. Она предназначена для разметки сущностей в китайском тексте; карточка сообщает о метриках на оценочном наборе: F1 0,9494, точность 0,9481 и полнота 0,9507. Модель использует архитектуру BERT с 129,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. Файлы модели опубликованы в формате safetensors.

В README набор данных назван неизвестным, а подробности о типах сущностей, обучающих данных и ограничениях отсутствуют. Модель создана на основе китайского BERT, поэтому её основным языком является китайский. Лицензия в предоставленных данных не указана.

Сценарии применения

Поиск имён людей в китайских текстах
Выделение организаций в китайских документах
Разметка географических названий в китайском тексте

Ограничения

Типы распознаваемых сущностей и состав обучающих данных не описаны; неизвестный набор данных ограничивает оценку переносимости модели на другие тексты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-ner-msra

This model is a fine-tuned version of google-bert/bert-base-chinese on an unknown dataset. It achieves the following results on the evaluation set:

eval_loss: 0.0413
eval_precision: 0.9481
eval_recall: 0.9507
eval_f1: 0.9494
eval_accuracy: 0.9939
eval_runtime: 10.3612
eval_samples_per_second: 421.283
eval_steps_per_second: 13.222
epoch: 9.0
step: 13041

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: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10
mixed_precision_training: Native AMP

Framework versions

Transformers 4.46.1
Pytorch 2.4.1+cu124
Datasets 3.1.0
Tokenizers 0.20.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 6ad31f9