/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
2 мар 2022

distilbert-base-uncased-finetuned-cola

Классификация текстаТекст → label3 профессии

Дообученная версия DistilBERT для классификации текстовых последовательностей.

40скачиваний за 30 дней0лайковвеса обновлены3 авг 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

Rocketknight1 разработал эту модель, дообучив DistilBERT base uncased для классификации текста. Архитектура — DistilBertForSequenceClassification; модель доступна в формате TensorFlow и принимает последовательности длиной до 512 токенов. README сообщает результаты оценки: Matthews correlation 0,5056 и validation loss 0,4914 после одной эпохи обучения.

Модель подходит для классификации текстовых последовательностей, однако задача и набор данных дообучения не раскрыты, поэтому нельзя надёжно определить конкретные категории или целевой сценарий. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация коротких текстовых сообщений
  • Автоматическая разметка текстовых последовательностей
  • Экспериментальная оценка классификатора на собственных данных

Ограничения

Назначение и данные дообучения не описаны, поэтому целевые классы и качество на конкретных задачах неизвестны. В README приведены результаты только после одной эпохи.

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

Rocketknight1/distilbert-base-uncased-finetuned-cola

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

  • Train Loss: 0.3182
  • Validation Loss: 0.4914
  • Train Matthews Correlation: 0.5056
  • Epoch: 1

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:

  • optimizer: {'name': 'Adam', 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 1602, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
  • training_precision: float32

Training results

Train LossValidation LossTrain Matthews CorrelationEpoch
0.51260.46380.45550
0.31820.49140.50561

Framework versions

  • Transformers 4.22.0.dev0
  • TensorFlow 2.9.1
  • Datasets 2.4.1.dev0
  • Tokenizers 0.11.0

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
9dcec79

0 моделей