Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 17 мая 2024

Ссылки

Hugging Face

AmharicNewsNonCleanedSmall

akiseid

Классификация текстаТекст → label4 профессии

Дообученная XLM-RoBERTa для классификации новостных текстов на амхарском языке.

10скачиваний за 30 дней0лайковвеса обновлены17 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

AmharicNewsNonCleanedSmall — дообученная akiseid модель классификации текста на базе FacebookAI/xlm-roberta-base. Она предназначена для классификации новостных текстов на амхарском языке. На оценочном наборе модель показала accuracy 0,9570, precision 0,9570, recall 0,9570 и F1 0,9569; размер составляет 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель опубликована в формате safetensors под лицензией MIT.

Сценарии применения

классификация новостных статей на амхарском языке
автоматическая категоризация амхарских новостей
маршрутизация новостных текстов по классам

Ограничения

Описание не раскрывает метки классов, состав обучающих данных или ограничения применения. Приведённые метрики относятся только к оценочному набору из карточки модели.

Для каких профессий подходит4

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AmharicNewsNonCleanedSmall

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: 0.1658
Accuracy: 0.9570
Precision: 0.9570
Recall: 0.9570
F1: 0.9569

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
0.2168	1.0	933	0.2913	0.8993	0.9102	0.8993	0.8973
0.1264	2.0	1866	0.1724	0.9438	0.9446	0.9438	0.9438
0.1203	3.0	2799	0.1627	0.9481	0.9498	0.9481	0.9482
0.1368	4.0	3732	0.1787	0.9455	0.9466	0.9455	0.9452
0.058	5.0	4665	0.1658	0.9570	0.9570	0.9570	0.9569

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: f84d7b3