Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 16 мая 2024

Ссылки

AmharicNewsCharacterNormalized

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa-модель для классификации текстов, связанная по названию с нормализованными символами амхарских новостей.

11скачиваний за 30 дней0лайковвеса обновлены16 мая 2024

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

AmharicNewsCharacterNormalized — дообученная akiseid модель классификации текста на базе XLM-RoBERTa Base. По названию модель связана с нормализованными символами амхарских новостей, однако карточка не описывает классы и целевую схему классификации. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и формат safetensors; длина контекста — 514 токенов.

На указанном в карточке наборе оценки достигнуты accuracy 0,9538 и F1 0,9538. Датасет обозначен как None, а сведения о назначении, обучающих данных и ограничениях не приведены. Модель распространяется по лицензии MIT.

Сценарии применения

классификация амхарских новостных текстов
эксперименты с классификацией нормализованных символов в новостях
оценка классификатора на амхарских текстах

Ограничения

Карточка не раскрывает классы, схему разметки и сведения о датасете; поэтому результаты оценки нельзя уверенно переносить на другие данные или задачи.

Для каких профессий подходит3

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AmharicNewsCharacterNormalized

This model is a fine-tuned version of xlm-roberta-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2054
Accuracy: 0.9538
Precision: 0.9539
Recall: 0.9538
F1: 0.9538

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: 5e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.2737	1.0	945	0.1984	0.9175	0.9197	0.9175	0.9172
0.2651	2.0	1890	0.2313	0.9409	0.9408	0.9409	0.9407
0.2155	3.0	2835	0.1687	0.9480	0.9480	0.9480	0.9479
0.4065	4.0	3780	0.2072	0.9439	0.9483	0.9439	0.9443
0.0785	5.0	4725	0.2054	0.9538	0.9539	0.9538	0.9538

Framework versions

Transformers 4.40.1
Pytorch 2.3.0+cu121
Datasets 2.19.0
Tokenizers 0.19.1

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: XLMRobertaForSequenceClassification
Ревизия весов: 1bbe0dd