/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
14 апр 2023

disaster-tweet-distilbert

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации англоязычных твитов о бедствиях.

23скачиваний за 30 дней0лайковвеса обновлены14 апр 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

aellxx/disaster-tweet-distilbert — модель классификации англоязычных сообщений в Twitter, дообученная на основе distilbert-base-uncased-finetuned-sst-2-english. Она предназначена для определения, связано ли сообщение с бедствием, например для первичной сортировки потока твитов. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов; формат весов — PyTorch. В README приведено значение loss 0,4605 на оценочном наборе, но его состав и подробности обучения не описаны. Лицензия — Apache-2.0.

Сценарии применения

  • выявление твитов, связанных с бедствиями
  • сортировка потока сообщений о чрезвычайных ситуациях
  • первичный мониторинг англоязычных сообщений во время происшествий

Ограничения

README не раскрывает состав обучающих и оценочных данных, метрики качества помимо loss и подробности предполагаемого применения. Контекст ограничен 512 токенами.

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

disaster-tweet-distilbert

This model is a fine-tuned version of distilbert-base-uncased-finetuned-sst-2-english on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4605

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: 3e-05
  • train_batch_size: 64
  • eval_batch_size: 64
  • seed: 7
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 4
  • num_warmup_steps: 10%

Training results

Training LossEpochStepValidation Loss
2.28770.12122.3051
2.11290.25242.2778
2.25140.38362.2299
2.26910.5482.1606
2.14010.62602.0706
2.0750.75721.9672
1.85940.88841.8498
1.79271.0961.7257
1.56391.121081.6010
1.60011.251201.4670
1.42071.381321.3314
1.31831.51441.1993
1.07671.621561.0798
0.96721.751680.9742
0.95231.881800.8821
0.8132.01920.8027
0.70042.122040.7424
0.70442.252160.6904
0.62182.382280.6495
0.64722.52400.6158
0.55852.622520.5896
0.56132.752640.5685
0.59112.882760.5499
0.50623.02880.5357
0.48063.123000.5257
0.48623.253120.5091
0.44333.383240.4997
0.4863.53360.4892
0.47463.623480.4802
0.43173.753600.4759
0.48743.883720.4670
0.44114.03840.4605

Framework versions

  • Transformers 4.28.1
  • Pytorch 1.13.0
  • Datasets 2.1.0
  • Tokenizers 0.13.2

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
ceabf5d

0 моделей