Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 6 дек 2023

Ссылки

Hugging Face

NLP2_Base_3e-5_Fixed

VRT-2428211

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель для классификации текстовых последовательностей.

6скачиваний за 30 дней0лайковвеса обновлены6 дек 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

NLP2Base3e-5Fixed — дообученная модель классификации последовательностей на архитектуре DistilBERT, созданная на основе distilbert/distilbert-base-uncased. Она предназначена для классификации текста; конкретные классы и сценарии применения в доступной карточке не описаны. Модель использует текстовый ввод и выдаёт метки классов, имеет контекст до 512 токенов и распространяется по лицензии Apache-2.0. Данные для обучения указаны как None, поэтому оценить качество и область применения по карточке нельзя.

Сценарии применения

классификация текста по заданным категориям
присвоение меток текстовым последовательностям
построение классификатора на основе DistilBERT

Ограничения

Карточка не описывает целевые классы, обучающие данные или результаты оценки, поэтому качество и пригодность для конкретного сценария не установлены. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NLP2_Base_3e-5_Fixed

This model is a fine-tuned version of distilbert-base-uncased on the None dataset.

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
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: DistilBertForSequenceClassification
Ревизия весов: 01ee989