/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Архитектура
bert · dense
Опубликована
5 июн 2023

German_Sentiment

Классификация текстаТекст → label3 профессии

Дообученная на немецких твитах BERT-модель для классификации тональности немецкого текста.

53скачиваний за 30 дней5лайковвеса обновлены23 июн 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

German Sentiment — модель классификации тональности немецких текстов, дообученная Aaron Chibb на основе deepset/gbert-large. Она предназначена для определения тональности текста, в том числе коротких сообщений в социальных сетях. Архитектура — BERT для классификации последовательностей; модель содержит 434,5 млн параметров и принимает текст с контекстом до 512 токенов. Используются веса PyTorch и формат safetensors.

Модель рассчитана на немецкий язык. README указывает на обучение на наборе данных из Twitter, поэтому подходящий сценарий — анализ тональности коротких немецких публикаций. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение тональности немецких твитов
  • анализ тональности немецких коротких сообщений
  • классификация немецких текстов по эмоциональной окраске

Ограничения

Контекст ограничен 512 токенами; обучение на данных Twitter может ограничивать переносимость на другие жанры немецкого текста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

German Sentiment Analysis

This model predicts sentiment for German text.

Usage

First set up the model:

# if necessary:
# !pip install transformers
from transformers import pipeline

sentiment_model = pipeline(model="aari1995/German_Sentiment")

to use it:

sentence = ["Ich liebe die Bahn. Pünktlich wie immer ... -.-","Krasser Service"]
result = sentiment_model(sentence)
print(result)
#Output:
#[{'label': 'negative', 'score': 0.4935680031776428},{'label': 'positive', 'score': 0.5790663957595825}]

Credits / Special Thanks:

This model was fine-tuned by Aaron Chibb. It is trained on twitter dataset by tygiangz and based on gBERT-large by deepset.

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
8910abb

0 моделей