Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense

Ссылки

Hugging Face

MiniLM-L12-H384-uncasedsst2all-train

SetFit

Классификация текстаТекст → label4 профессии

Дообученная MiniLM-модель для классификации тональности коротких текстов, прежде всего отзывов SST-2.

30скачиваний за 30 дней0лайковвеса обновлены26 янв 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

MiniLM-L12-H384-uncased__sst2__all-train — модель классификации текста на базе Microsoft MiniLM-L12-H384-uncased, дообученная для задачи определения тональности отзывов SST-2. Архитектура — BERT-классификатор с примерно 40 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Модель предназначена для классификации текста, в частности для отнесения отзывов к положительной или отрицательной тональности. В карточке указаны точность 0,9055 и значение loss 0,2632 на оценочном наборе. Сведения о составе обучающего набора и других сценариях применения не приведены.

Сценарии применения

определение положительной или отрицательной тональности отзыва
классификация настроения в коротких пользовательских сообщениях
анализ тональности англоязычных отзывов

Ограничения

В карточке не описаны состав обучающих данных и поведение вне задачи SST-2; приведённые метрики относятся только к указанному оценочному набору. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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

MiniLM-L12-H384-uncasedsst2all-train

This model is a fine-tuned version of microsoft/MiniLM-L12-H384-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2632
Accuracy: 0.9055

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: 50
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.4183	1.0	433	0.3456	0.8720
0.2714	2.0	866	0.2632	0.9055
0.2016	3.0	1299	0.3357	0.8990
0.1501	4.0	1732	0.4474	0.8863
0.1119	5.0	2165	0.3998	0.8979

Framework versions

Transformers 4.15.0
Pytorch 1.10.1+cu102
Datasets 1.17.0
Tokenizers 0.10.3

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: BertForSequenceClassification
Ревизия весов: 0d37980