Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26

ali2066

Классификация текстаТекст → label3 профессии

Дообученная англоязычная модель DistilBERT для классификации текста с опубликованными метриками accuracy 0,8299 и F1 0,8892.

10скачиваний за 30 дней0лайковвеса обновлены26 фев 2022

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

Модель ali2066/finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26 — дообученная версия DistilBERT для классификации текста. В карточке указана базовая модель distilbert-base-uncased-finetuned-sst-2-english; задача модели — отнесение текста к классам.

Модель создана на базе англоязычной версии DistilBERT, предназначенной для анализа тональности. В README приведены результаты оценки: accuracy 0,8299 и F1 0,8892; название набора данных для дообучения не указано. Контекст составляет 512 токенов, веса представлены в формате PyTorch.

Модель распространяется по лицензии Apache-2.0. Карточка не описывает классы целевого датасета, обучающие данные и ограничения, поэтому применимость указанных метрик к конкретным сценариям классификации следует проверять отдельно.

Сценарии применения

классификация тональности англоязычных текстов
определение класса короткого отзыва
экспериментальная классификация предложений

Ограничения

Набор данных для дообучения и целевые классы не описаны, поэтому метрики нельзя уверенно переносить на конкретные прикладные задачи. Контекст ограничен 512 токенами.

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 III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26

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: 0.4676
Accuracy: 0.8299
F1: 0.8892

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: 2e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	195	0.4087	0.8073	0.8754
No log	2.0	390	0.3952	0.8159	0.8803
0.4084	3.0	585	0.4183	0.8195	0.8831
0.4084	4.0	780	0.4596	0.8280	0.8867
0.4084	5.0	975	0.4919	0.8280	0.8873

Framework versions

Transformers 4.15.0
Pytorch 1.10.1+cu113
Datasets 1.18.0
Tokenizers 0.10.3

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: 535177c