Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 22 июл 2024

Ссылки

tiny-bert-sst2-distilled

Классификация текстаТекст → label3 профессии

Дообученная модель BERT для классификации текста, вероятно ориентированная на анализ тональности английских высказываний.

102скачиваний за 30 дней0лайковвеса обновлены6 окт 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

Tuyennguyen28/tiny-bert-sst2-distilled — модель классификации последовательностей на архитектуре BERT, полученная дообучением bert-base-uncased. Репозиторий содержит веса в формате safetensors; размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов.

Модель предназначена для классификации текста. В карточке приведены результаты оценки: accuracy 0,8509, AUC 0,8049 и MCC 0,5681; набор данных и конкретные метки классов не описаны. Название указывает на SST-2 и тональность, но README не подтверждает состав обучающих данных или классы напрямую.

Лицензия — Apache-2.0. Англоязычная базовая модель BERT и название репозитория указывают на работу с английским текстом; пригодность для других языков не заявлена.

Сценарии применения

классификация тональности коротких английских отзывов
определение положительной или отрицательной окраски высказывания
оценка тональности комментариев и пользовательских сообщений

Ограничения

В README не раскрыты набор данных, метки классов и intended uses; указание на SST-2 следует только из названия репозитория. В приведённой оценке accuracy составляет 0,8509, поэтому результаты на других данных могут отличаться.

Для каких профессий подходит3

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.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

tiny-bert-sst2-distilled

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

eval_loss: 0.3552
eval_accuracy: 0.8509
eval_AUC: 0.8049
eval_MCC: 0.5681
eval_PR_AUC: 0.6897
eval_BAC: 0.7295
eval_runtime: 29.1893
eval_samples_per_second: 311.176
eval_steps_per_second: 9.73
epoch: 1.0
step: 1224

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: 1.0579519958564978e-05
train_batch_size: 32
eval_batch_size: 32
seed: 9
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 6

Framework versions

Transformers 4.43.3
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 5f19264