Характеристики

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

Ссылки

Hugging Face

AmharicNewsNonCleaned

akiseid

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa-base для классификации амхарских новостных текстов.

10скачиваний 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

AmharicNewsNonCleaned — модель классификации текстов на основе XLM-RoBERTa-base, дообученная разработчиком akiseid. Она предназначена для классификации амхарских новостных текстов; конкретные метки классов и сценарии применения в карточке не описаны. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов.

В README для оценочного набора приведены accuracy 0,9554, precision 0,9555, recall 0,9554 и F1 0,9554. Эти показатели относятся к указанному набору и не гарантируют аналогичных результатов на других данных. Доступна по лицензии MIT.

Сценарии применения

Классификация новостных текстов на амхарском языке
Автоматическая сортировка амхарских новостных публикаций
Разметка амхарских новостей по классам в пользовательском наборе данных

Ограничения

Карточка не сообщает названия классов и подробности обучающего набора. Приведённые метрики получены только на указанном оценочном наборе и могут не переноситься на другие данные.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AmharicNewsNonCleaned

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: 0.2009
Accuracy: 0.9554
Precision: 0.9555
Recall: 0.9554
F1: 0.9554

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
0.277	1.0	945	0.2893	0.8972	0.9008	0.8972	0.8962
0.2881	2.0	1890	0.2674	0.9220	0.9299	0.9220	0.9222
0.2112	3.0	2835	0.1961	0.9441	0.9439	0.9441	0.9440
0.4208	4.0	3780	0.1854	0.9515	0.9522	0.9515	0.9515
0.0663	5.0	4725	0.2009	0.9554	0.9555	0.9554	0.9554

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: bb9c6d1