Характеристики

Контекст: 514 токенов
Параметры: 144 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: robbert-v2-dutch-base
Опубликована: 4 окт 2023

Ссылки

Hugging Face

robbert0410_lrate7.5b32

Tommert25

Разметка токеновТекст → label3 профессии

Дообученная нидерландская модель RoBERTa для классификации и разметки токенов в тексте.

13скачиваний за 30 дней0лайковвеса обновлены4 окт 2023

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

Tommert25/robbert0410_lrate7.5b32 — дообученная модель для классификации токенов, созданная на основе нидерландской RobBERT-v2 Dutch Base с архитектурой RoBERTa. Модель содержит 144 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов.

Она предназначена для задач разметки отдельных токенов в тексте. В README приведены результаты оценки: loss 0,4559, precision 0,8283, recall 0,8004, F-мера 0,8131 и accuracy 0,9159. Датасет и конкретный тип разметки не описаны, поэтому результаты не позволяют установить, для каких именно классов или сценариев модель обучалась. Лицензия — MIT.

Сценарии применения

классификация токенов в нидерландском тексте
разметка последовательностей нидерландского текста
извлечение размеченных фрагментов текста

Ограничения

README не сообщает, на каком датасете обучена модель и какие именно метки она предсказывает. Приведённые метрики относятся к оценочному набору, описание которого отсутствует.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

robbert0410_lrate7.5b32

This model is a fine-tuned version of pdelobelle/robbert-v2-dutch-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4559
Precisions: 0.8283
Recall: 0.8004
F-measure: 0.8131
Accuracy: 0.9159

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: 7.5e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Precisions	Recall	F-measure	Accuracy
0.2719	1.0	118	0.4068	0.8731	0.7017	0.7281	0.8921
0.2306	2.0	236	0.3380	0.7819	0.7690	0.7699	0.9017
0.1268	3.0	354	0.3740	0.7908	0.7845	0.7790	0.9060
0.0858	4.0	472	0.3834	0.7983	0.7651	0.7763	0.9092
0.0586	5.0	590	0.4200	0.8225	0.7933	0.8045	0.9094
0.0349	6.0	708	0.4474	0.8328	0.7926	0.8094	0.9107
0.0209	7.0	826	0.4559	0.8283	0.8004	0.8131	0.9159
0.013	8.0	944	0.4614	0.8175	0.8034	0.8097	0.9144

Framework versions

Transformers 4.34.0
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.14.0

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForTokenClassification
Ревизия весов: c5bf775