/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Архитектура
mpnet · dense
Библиотека
transformers
Опубликована
18 июл 2024

sbert_yelp2class

Классификация текстаТекст → label3 профессии

Дообученная на Yelp модель для бинарной классификации тональности текстовых отзывов.

6скачиваний за 30 дней0лайковвеса обновлены19 июл 2024

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

Siki-77/sbert_yelp2class — модель классификации текста, дообученная на данных Yelp для бинарного определения тональности отзывов. В README указана базовая модель sentence-transformers/all-MiniLM-L6-v2; метаданные описывают архитектуру как MPNetForSequenceClassification с 136,7 млн параметров и контекстом до 514 токенов, поэтому сведения о семействе и размере противоречат друг другу.

Модель предназначена для классификации отзывов Yelp на два класса. В README приведены результаты обучения за две эпохи: точность на валидации достигла 0,981158. Карточка не сообщает названия классов и деталей набора данных или процедуры оценки, поэтому эти значения нельзя переносить на другие источники отзывов без проверки.

Разработчик и лицензия в карточке не указаны. Модель опубликована в формате safetensors и использует библиотеку Transformers; доступные сведения не уточняют условия использования.

Сценарии применения

  • Определение тональности отзыва о ресторане на Yelp
  • Разделение отзывов Yelp на два класса
  • Автоматическая предварительная разметка отзывов пользователей

Ограничения

README не называет два класса, описывает оценку только на валидационной выборке Yelp и не приводит подробностей тестирования на других данных. В README указана база MiniLM, тогда как метаданные описывают архитектуру MPNet; лицензионные условия не приведены.

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

Model Card for Model ID

Finetune the model "sentence-transformers/all-MiniLM-L6-v2" on Yelp for binary classifcation task

Model Details

Epoch Training Loss Validation Loss Accuracy

1 \ 0.064000 \ 0.061475 \ 0.979474

2 \ 0.044100 \ 0.070500 \ 0.981158

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

  • Developed by: [More Information Needed]
  • Funded by [optional]: [More Information Needed]
  • Shared by [optional]: [More Information Needed]
  • Model type: [More Information Needed]
  • Language(s) (NLP): [More Information Needed]
  • License: [More Information Needed]
  • Finetuned from model [optional]: [More Information Needed]

Model Sources [optional]

  • Repository: [More Information Needed]
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MPNetForSequenceClassification
Ревизия весов
30f658b

0 моделей