Характеристики

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

Ссылки

Hugging Face

emotion_trained_31415

aXhyra

Классификация текстаТекст → label4 профессии

Дообученная на tweet_eval модель DistilBERT для классификации текстов.

19скачиваний за 30 дней0лайковвеса обновлены12 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

emotiontrained31415 — модель классификации текста, созданная дообучением DistilBERT на наборе данных tweet_eval. Она предназначена для присвоения текстовым сообщениям классов; результаты на оценочной выборке tweet_eval: F1 0,7198 и loss 0,9274. Архитектура — DistilBertForSequenceClassification, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Название модели указывает на эмоциональную классификацию, однако карточка не уточняет метки классов и целевой сценарий, поэтому конкретный набор эмоций подтвердить нельзя. Лицензия — Apache-2.0.

Сценарии применения

классификация коротких сообщений из соцсетей
автоматическая разметка текстовых сообщений по классам
оценка качества классификации на данных tweet_eval

Ограничения

Карточка не описывает целевые классы и ограничения применения; качество на оценочной выборке tweet_eval составляет F1 0,7198. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

emotion_trained_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: 0.9274
F1: 0.7198

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: 6.961635072722524e-05
train_batch_size: 16
eval_batch_size: 16
seed: 31415
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
No log	1.0	204	0.6177	0.7137
No log	2.0	408	0.7489	0.6761
0.5082	3.0	612	0.8233	0.7283
0.5082	4.0	816	0.9274	0.7198

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: e6c5f6c