Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 19 июл 2023

Ссылки

Hugging Face

model-safety-W1

RS-course

Классификация текстаТекст → label3 профессии

Дообученная на tweet_eval модель DistilBERT для классификации коротких текстов.

135скачиваний за 30 дней0лайковвеса обновлены19 июл 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

RS-course/model-safety-W1 — модель классификации текста на базе DistilBERT, дообученная на наборе данных tweet_eval. Она предназначена для отнесения коротких текстов, в частности сообщений в Twitter, к классам соответствующей задачи классификации. В README указана точность 0,7772 на оценочной выборке; контекст модели составляет 512 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Подробности о классах меток и конкретных сценариях использования в карточке не описаны.

Сценарии применения

классификация сообщений в Twitter
категоризация коротких текстов
классификация текстов на основе tweet_eval

Ограничения

README не уточняет набор классов и ограничения применения; указанная точность 0,7772 относится к оценочной выборке tweet_eval и не гарантирует качество на других данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model-safety-W1

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

Loss: 1.3816
Accuracy: 0.7772

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: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2625	1.0	1490	1.0005	0.8006
0.1394	2.0	2980	1.2166	0.7863
0.0767	3.0	4470	1.3816	0.7772

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.13.1
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: 739dcc3