/ Модель

Характеристики

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

robbert0410_lrate7.5b4

Разметка токеновТекст → label4 профессии

Дообученная нидерландская RoBERTa для классификации и разметки токенов в тексте.

16скачиваний 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_lrate7.5b4 — дообученная модель классификации токенов, созданная на основе нидерландской RobBERT-v2 Dutch Base от pdelobelle. Она построена на архитектуре RoBERTa, содержит 144 млн параметров и принимает текстовые последовательности длиной до 514 токенов.

Модель предназначена для разметки отдельных токенов в нидерландском тексте. Конкретный тип разметки и обучающий датасет в карточке не раскрыты. На указанном в README наборе оценки получены precision 0,7671, recall 0,7305, F-мера 0,7455 и accuracy 0,8904. Распространяется по лицензии MIT.

Сценарии применения

  • разметка токенов в нидерландском тексте
  • извлечение сущностей из нидерландских документов
  • классификация слов и фрагментов нидерландского текста

Ограничения

Тип разметки и обучающий датасет не описаны, поэтому применимость к конкретной схеме меток не подтверждена. В приведённых метриках precision и recall ниже 0,8.

Для каких профессий подходит4

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

robbert0410_lrate7.5b4

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: 0.4079
  • Precisions: 0.7671
  • Recall: 0.7305
  • F-measure: 0.7455
  • Accuracy: 0.8904

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: 4
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 8

Training results

Training LossEpochStepValidation LossPrecisionsRecallF-measureAccuracy
0.70271.09420.48430.86280.68610.69690.8785
0.36452.018840.40790.76710.73050.74550.8904
0.2383.028260.53380.79810.74220.74860.8957
0.18944.037680.60260.83270.74950.76680.9049
0.08255.047100.57810.78250.78590.78330.9055
0.05236.056520.61070.80840.75910.77120.9124
0.03887.065940.64550.80900.78020.78940.9107
0.02538.075360.67110.81680.78250.79370.9135

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
c66243d

0 моделей