Характеристики

Контекст: 512 токенов
Параметры: 434 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 25 фев 2023

Ссылки

fine-tuned-IndoNLI-Basic-with-indobert-large-p2

Классификация текстаТекст → label3 профессии

Дообученная на базе IndoBERT-large модель классификации текста для задач, связанных с индонезийским естественно-языковым выводом.

15скачиваний за 30 дней0лайковвеса обновлены25 фев 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

afaji/fine-tuned-IndoNLI-Basic-with-indobert-large-p2 — модель классификации последовательностей на архитектуре BERT, дообученная разработчиком afaji на базе indobenchmark/indobert-large-p2 для задачи, связанной с IndoNLI. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации.

Модель подходит для классификации индонезийских текстовых пар по задачам естественно-языкового вывода, например определения логического следования, противоречия или нейтрального отношения. В README указаны точность 0,7751 и loss 1,2497 на оценочном наборе, однако состав данных и методика оценки не описаны. Доступны веса PyTorch; лицензия — MIT.

Сценарии применения

Классификация пары индонезийских предложений по отношению entailment, contradiction или neutral
Оценка логического следования между посылкой и гипотезой на индонезийском языке
Эксперименты и прототипирование систем понимания индонезийского языка

Ограничения

В README не описаны обучающие данные и ограничения применения; результаты оценки ограничены указанными значениями accuracy 0,7751 и loss 1,2497, без деталей о наборе и методике.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

fine-tuned-IndoNLI-Basic-with-indobert-large-p2

This model is a fine-tuned version of indobenchmark/indobert-large-p2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.2497
Accuracy: 0.7751

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: 1e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 16

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.978	1.0	161	0.8505	0.6236
0.6752	2.0	322	0.6163	0.7542
0.5579	3.0	483	0.6259	0.7551
0.4328	4.0	644	0.6153	0.7706
0.3217	5.0	805	0.6348	0.7711
0.229	6.0	966	0.7245	0.7720
0.1688	7.0	1127	0.8032	0.7774
0.1258	8.0	1288	0.8898	0.7742
0.0942	9.0	1449	0.9629	0.7651
0.0718	10.0	1610	0.9848	0.7783
0.0635	11.0	1771	1.0794	0.7674
0.0407	12.0	1932	1.1378	0.7679
0.0394	13.0	2093	1.2195	0.7651
0.0323	14.0	2254	1.2151	0.7756
0.0235	15.0	2415	1.2509	0.7711
0.0277	16.0	2576	1.2497	0.7751

Framework versions

Transformers 4.26.1
Pytorch 1.13.1+cu117
Datasets 2.2.0
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: BertForSequenceClassification
Ревизия весов: 0f42baa