Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 7 сен 2022

Ссылки

Hugging Face

bert-base-uncased-finetuned-emotion

Vasanth

Классификация текстаТекст → label

Англоязычная модель BERT для классификации эмоций в тексте.

15скачиваний за 30 дней2лайкавеса обновлены7 сен 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

Модель Vasanth — версия BERT base uncased, дообученная для классификации эмоций в тексте на датасете emotion. Она принимает текст и относит его к эмоциональным классам; подходит для анализа тональности и эмоционального окраса коротких сообщений. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует регистр-независимый английский BERT и распространяется в формате PyTorch.

На оценочной выборке указаны accuracy 0,9454 и F1 0,9458. Лицензия Apache-2.0. Карточка не уточняет набор меток, обучающие данные и ограничения оценки, поэтому результаты не следует считать гарантией качества на других текстах.

Сценарии применения

определение эмоций в коротких сообщениях
анализ эмоционального окраса отзывов
сортировка пользовательских комментариев по эмоциональным классам

Ограничения

Результаты приведены только для оценочной выборки; состав классов и подробности обучающих данных не описаны. Максимальная длина контекста составляет 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-finetuned-emotion

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

Loss: 0.1476
Accuracy: 0.9454
F1: 0.9458

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: 2e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.8907	1.0	250	0.2625	0.9184	0.9157
0.2315	2.0	500	0.1476	0.9454	0.9458

Framework versions

Transformers 4.21.3
Pytorch 1.12.1+cu113
Datasets 2.4.0
Tokenizers 0.12.1

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: BertForSequenceClassification
Ревизия весов: 01af31c