/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense

distilbert-base-uncased__sst5__all-train

Классификация текстаТекст → label3 профессии

Дообученная на SST-5 модель DistilBERT для классификации текста.

46скачиваний за 30 дней0лайковвеса обновлены27 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

SetFit опубликовал дообученную модель DistilBERT для классификации текста. По идентификатору модели она связана с SST-5 и обучением на всём тренировочном наборе; карточка указывает базовую модель distilbert-base-uncased. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и имеет контекст до 512 токенов.

Модель предназначена для классификации последовательностей. На указанном в карточке наборе оценки достигла точности 0,5045 при значении функции потерь 1,3757. Описание набора данных, меток и целевого сценария в карточке отсутствует, поэтому конкретные классы и качество на других данных установить нельзя. Лицензия — Apache-2.0.

Сценарии применения

  • классификация текстовых последовательностей
  • анализ тональности коротких отзывов
  • эксперименты с классификацией на основе DistilBERT

Ограничения

На указанном наборе оценки точность составляет 0,5045; целевые классы и данные в карточке подробно не описаны. Контекст ограничен 512 токенами.

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

distilbert-base-uncased__sst5__all-train

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

  • Loss: 1.3757
  • Accuracy: 0.5045

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 LossEpochStepValidation LossAccuracy
1.24921.05341.11630.4991
0.99372.010681.12320.5122
0.78673.016021.20970.5045
0.5954.021361.37570.5045

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
DistilBertForSequenceClassification
Ревизия весов
4824199

0 моделей