Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: electra · dense
Опубликована: 30 апр 2022

Ссылки

Hugging Face

electra-base-sst2

TehranNLP-org

Классификация текстаТекст → label4 профессии

Дообученная на SST-2 англоязычная ELECTRA-модель для классификации тональности коротких текстов.

33скачиваний за 30 дней0лайковвеса обновлены3 мая 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

TehranNLP-org/electra-base-sst2 — модель классификации текста на базе архитектуры ELECTRA, дообученная на наборе SST-2. Она предназначена для определения тональности коротких англоязычных текстов, например отзывов и пользовательских высказываний. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README указана точность 0,9507 на оценочной выборке SST-2.

Модель разработана TehranNLP-org и основана на google/electra-base-discriminator. Доступна в формате PyTorch по лицензии Apache-2.0. Её назначение ограничено классификацией тональности в стиле SST-2; результаты на других типах текстов и языках карточка не описывает.

Сценарии применения

Определение тональности отзывов на английском языке
Классификация пользовательских комментариев как позитивных или негативных
Анализ эмоциональной окраски коротких англоязычных высказываний

Ограничения

Дообучение ориентировано на SST-2 и короткие англоязычные тексты; точность на других языках и доменах не указана. Максимальная длина входа — 512 токенов.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SEED0042

This model is a fine-tuned version of google/electra-base-discriminator on the SST2 dataset. It achieves the following results on the evaluation set:

Loss: 0.1754
Accuracy: 0.9507

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: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
distributed_type: not_parallel
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 2000
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	2105	0.2056	0.9358
0.2549	2.0	4210	0.1850	0.9438
0.1162	3.0	6315	0.1754	0.9507

Framework versions

Transformers 4.17.0
Pytorch 1.10.0+cu113
Datasets 2.1.0
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: ElectraForSequenceClassification
Ревизия весов: 53949b1