Характеристики

Контекст: 512 токенов
Параметры: 129 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 15 апр 2022

Ссылки

Hugging Face

COVID_RandomOver

Raychanan

Классификация текстаТекст → label3 профессии

Дообученная BERT-модель для классификации текста, связанная по названию с тематикой COVID-19.

14скачиваний за 30 дней0лайковвеса обновлены15 апр 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

Raychanan/COVID_RandomOver — дообученная модель классификации текста на базе hfl/chinese-bert-wwm-ext, опубликованная Raychanan. Это BERT-модель с архитектурой BertForSequenceClassification и 129,5 млн параметров; она принимает текст длиной до 512 токенов и выдаёт результат классификации. Название репозитория указывает на связь с COVID и RandomOver, однако карточка не описывает классы, набор данных или конкретный сценарий применения.

В README приведены результаты оценки: F1 0,9546 и loss 0,4235; набор данных и условия оценки не раскрыты, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

классификация текстовых примеров в задаче, связанной с COVID-19
эксперименты с классификацией текста на базе китайского BERT
оценка дообученной BERT-модели на собственном наборе данных

Ограничения

README не раскрывает датасет, классы и intended use, поэтому пригодность модели для конкретной задачи COVID-19 не подтверждена. Указанные F1 и loss приведены без описания условий оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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

Loss: 0.4235
F1: 0.9546

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

Training results

Training Loss	Epoch	Step	Validation Loss	F1
1.1307	1.0	3268	0.9040	0.0
0.8795	2.0	6536	0.5532	0.9546
0.8183	3.0	9804	0.3641	0.9546
1.0074	4.0	13072	0.3998	0.9546
0.7947	5.0	16340	0.4235	0.9546

Framework versions

Transformers 4.18.0
Pytorch 1.10.0+cu111
Datasets 2.1.0
Tokenizers 0.12.1

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: 778b477