Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 16 июн 2022

Ссылки

bert-finetuned-ner

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для распознавания и классификации токенов, включая упоминания белковых мутаций, SNP и мутаций ДНК.

27скачиваний за 30 дней0лайковвеса обновлены28 июн 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

Salvatore разработал BERT-модель для классификации токенов, дообученную на основе bert-base-cased. Она предназначена для распознавания сущностей и меток на уровне токенов; приведённые результаты оценки указывают на классы Proteinmutation, Snp и Dnamutation. Модель содержит 135,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов.

В README указаны метрики на оценочном наборе: F1 0,2398 и accuracy 0,9703; по классам F1 составляет 0,1309 для Proteinmutation, 0,1953 для Snp и 0,3778 для Dnamutation. Общие сведения о назначении датасета и ограничениях автор не приводит. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

поиск упоминаний мутаций ДНК в текстах
извлечение упоминаний SNP из документов
распознавание упоминаний белковых мутаций
разметка токенов для анализа биомедицинских текстов

Ограничения

Общий F1 на оценочном наборе составляет 0,2398, а F1 для классов белковых мутаций и SNP — 0,1309 и 0,1953 соответственно. Название и состав обучающего датасета в README не раскрыты.

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 IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей 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

bert-finetuned-ner

This model is a fine-tuned version of bert-base-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0997
Proteinmutation F1: 0.1309
Snp F1: 0.1953
Dnamutation F1: 0.3778
Precision: 0.2380
Recall: 0.2416
F1: 0.2398
Accuracy: 0.9703

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Proteinmutation F1	Snp F1	Dnamutation F1	Precision	Recall	F1	Accuracy
No log	1.0	324	0.0533	0.0396	0.2830	0.4667	0.2334	0.3221	0.2707	0.9788
0.1072	2.0	648	0.0437	0.6065	0.4906	0.5009	0.4802	0.6348	0.5468	0.9868
0.1072	3.0	972	0.0592	0.1379	0.2485	0.2005	0.1639	0.2228	0.1889	0.9731
0.0573	4.0	1296	0.0722	0.0749	0.2530	0.4692	0.2705	0.2959	0.2826	0.9749
0.0431	5.0	1620	0.0766	0.1574	0.1847	0.2540	0.1766	0.2285	0.1992	0.9723
0.0431	6.0	1944	0.0805	0.1099	0.2202	0.2383	0.1657	0.2097	0.1851	0.9715
0.0396	7.0	2268	0.0886	0.1337	0.2138	0.4318	0.2683	0.2678	0.2680	0.9724
0.0354	8.0	2592	0.0927	0.1535	0.2113	0.3769	0.2505	0.2528	0.2516	0.9714
0.0354	9.0	2916	0.0978	0.1011	0.2540	0.3812	0.2495	0.2528	0.2512	0.9705
0.0312	10.0	3240	0.0997	0.1309	0.1953	0.3778	0.2380	0.2416	0.2398	0.9703

Framework versions

Transformers 4.17.0
Pytorch 1.10.2
Datasets 2.0.0
Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: e5deabd