Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 9 мар 2022

Ссылки

Hugging Face

distilbert-SARC

ScandinavianMrT

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текстовых последовательностей.

56скачиваний за 30 дней0лайковвеса обновлены9 мар 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

ScandinavianMrT/distilbert-SARC — модель классификации текста на базе DistilBERT, дообученная из distilbert-base-uncased. В метаданных указана архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации текстовых последовательностей.

В карточке приведены результаты оценки: accuracy 0,759 и loss 0,4976; обучающий датасет обозначен как None, а подробности о назначении, данных и ограничениях отсутствуют. Лицензия — Apache-2.0.

Сценарии применения

Классификация коротких текстовых сообщений
Определение класса для текстовой последовательности

Ограничения

Назначение классов и обучающий датасет не описаны; на оценочной выборке указана точность 0,759. Контекст ограничен 512 токенами.

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

distilbert-SARC

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

eval_loss: 0.4976
eval_accuracy: 0.7590
eval_runtime: 268.1875
eval_samples_per_second: 753.782
eval_steps_per_second: 47.113
epoch: 1.0
step: 50539

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: 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: 3

Framework versions

Transformers 4.17.0
Pytorch 1.10.0+cu111
Datasets 1.18.4
Tokenizers 0.11.6

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: 2d4aa44