Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 8 авг 2023

Ссылки

Hugging Face

bert-finetuned-ner

adon81

Разметка токеновТекст → label

Дообученная на CoNLL-2003 модель BERT для разметки токенов и распознавания именованных сущностей в тексте.

4скачиваний за 30 дней0лайковвеса обновлены8 авг 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

adon81/bert-finetuned-ner — модель распознавания именованных сущностей, разработанная на основе BERT и дообученная на датасете CoNLL-2003. Она присваивает метки отдельным токенам текста; размер модели составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов.

Модель подходит для извлечения именованных сущностей из текста в сценариях, соответствующих разметке CoNLL-2003. В README приведены результаты на оценочной выборке: F1 0,9401, точность 0,9312, полнота 0,9492 и accuracy 0,9863. Лицензия — Apache-2.0.

Сценарии применения

извлечение именованных сущностей из текста
разметка имен и других сущностей по токенам
автоматическая подготовка текстов для последующего анализа

Ограничения

Карточка не описывает подробный перечень типов сущностей и сценарии применения; качество модели вне распределения CoNLL-2003 не приведено. Максимальная длина контекста составляет 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

This model is a fine-tuned version of bert-base-cased on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.0598
Precision: 0.9312
Recall: 0.9492
F1: 0.9401
Accuracy: 0.9863

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: 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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0777	1.0	1756	0.0859	0.9028	0.9313	0.9168	0.9786
0.0406	2.0	3512	0.0578	0.9249	0.9477	0.9362	0.9857
0.0281	3.0	5268	0.0598	0.9312	0.9492	0.9401	0.9863

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.14.4
Tokenizers 0.13.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 6a64761