Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

demo_sentiment_31415

Классификация текстаТекст → label3 профессии

Дообученная на tweet_eval модель DistilBERT для классификации тональности коротких текстов, включая сообщения в стиле твитов.

12скачиваний за 30 дней0лайковвеса обновлены13 дек 2021

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

aXhyra/demo_sentiment_31415 — модель классификации текста на основе DistilBERT, дообученная на наборе данных tweet_eval. Она предназначена для анализа тональности коротких текстов, в частности сообщений в стиле твитов. На оценочной выборке указана F1-мера 0,7114 и функция потерь 0,6332. Модель принимает текст, имеет контекст до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не раскрывает набор меток и подробные ограничения качества.

Сценарии применения

определение тональности публикаций в соцсетях
классификация отзывов по эмоциональной окраске
анализ тональности коротких сообщений
автоматическая разметка твитов для аналитики

Ограничения

На оценочной выборке указана F1-мера 0,7114; набор меток и подробные ограничения в карточке не описаны. Контекст ограничен 512 токенами.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

demo_sentiment_31415

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

Loss: 0.6332
F1: 0.7114

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: 8.62486660723695e-06
train_batch_size: 64
eval_batch_size: 64
seed: 0
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4

Training results

Training Loss	Epoch	Step	Validation Loss	F1
0.7592	1.0	713	0.6509	0.6834
0.6389	2.0	1426	0.6318	0.7011
0.5647	3.0	2139	0.6320	0.7041
0.5391	4.0	2852	0.6332	0.7114

Framework versions

Transformers 4.12.5
Pytorch 1.9.1
Datasets 1.16.1
Tokenizers 0.10.3

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: 9230752