Характеристики

Контекст: 512 токенов
Параметры: 15,6 млн
Архитектура: bert · dense
Базовая модель: TinyBERT_General_4L_312D
Опубликована: 15 ноя 2023

Ссылки

Hugging Face

TinyBERT_SST2

Vishnou

Классификация текстаТекст → label4 профессии

Компактная модель TinyBERT, дообученная на SST-2 для классификации тональности коротких текстов.

541скачиваний за 30 дней0лайковвеса обновлены18 ноя 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

Vishnou/TinyBERT_SST2 — компактная модель классификации текста, созданная дообучением huawei-noah/TinyBERT_General_4L_312D на датасете SST-2. Она использует архитектуру BERT для классификации последовательностей и содержит 15,6 млн параметров; максимальная длина контекста — 512 токенов.

Модель предназначена для определения тональности коротких текстов, в частности для классификации отзывов по задаче SST-2. На указанном в карточке оценочном наборе она показала accuracy 0,8865 и loss 0,5142. Данные не описывают поддержку языков помимо языка SST-2.

Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

Определение положительной или отрицательной тональности отзыва
Классификация коротких пользовательских мнений
Анализ тональности фраз и коротких предложений

Ограничения

Оценка accuracy 0,8865 относится к указанному в карточке набору SST-2 и не гарантирует такое же качество на других данных. Контекст ограничен 512 токенами; поддержка других языков не заявлена.

Для каких профессий подходит4

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

TinyBERT_SST2

This model is a fine-tuned version of huawei-noah/TinyBERT_General_4L_312D on the sst2 dataset. It achieves the following results on the evaluation set:

Loss: 0.5142
Accuracy: 0.8865

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: 5e-05
train_batch_size: 8
eval_batch_size: 8
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
0.4686	0.06	500	0.4020	0.8337
0.384	0.12	1000	0.3666	0.8360
0.381	0.18	1500	0.3951	0.8337
0.3609	0.24	2000	0.4378	0.8555
0.3616	0.3	2500	0.3743	0.8475
0.3521	0.36	3000	0.3692	0.8589
0.3113	0.42	3500	0.5072	0.8486
0.319	0.48	4000	0.4212	0.8612
0.3034	0.53	4500	0.4555	0.8647
0.3098	0.59	5000	0.4163	0.8635
0.3113	0.65	5500	0.5226	0.8440
0.2949	0.71	6000	0.4137	0.875
0.2977	0.77	6500	0.4775	0.8486
0.3077	0.83	7000	0.4774	0.8693
0.2953	0.89	7500	0.4491	0.8589
0.2846	0.95	8000	0.5228	0.8784
0.292	1.01	8500	0.4801	0.8865
0.2185	1.07	9000	0.4889	0.8933
0.2343	1.13	9500	0.5862	0.8716
0.2667	1.19	10000	0.4796	0.8842
0.252	1.25	10500	0.5181	0.8842
0.2385	1.31	11000	0.5148	0.875
0.2144	1.37	11500	0.5345	0.8704
0.2348	1.43	12000	0.5073	0.8807
0.2166	1.48	12500	0.4885	0.8865
0.2104	1.54	13000	0.6118	0.8658
0.2145	1.6	13500	0.5091	0.8865
0.2098	1.66	14000	0.5221	0.8876
0.2111	1.72	14500	0.5031	0.8888
0.2042	1.78	15000	0.5257	0.8796
0.2091	1.84	15500	0.5175	0.8819
0.2027	1.9	16000	0.5528	0.8784
0.2173	1.96	16500	0.5142	0.8865

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: BertForSequenceClassification
Ревизия весов: 5aa94d5