Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: albert · dense

Ссылки

Hugging Face

albert-base-v2-finetuned-rte

anirudh21

Классификация текстаТекст → label3 профессии

Дообученная ALBERT-base-v2 модель классифицирует пары предложений для определения текстового следования в задаче RTE.

40скачиваний за 30 дней0лайковвеса обновлены25 янв 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 anirudh21/albert-base-v2-finetuned-rte — версия ALBERT-base-v2, дообученная на задаче распознавания текстовых следствий RTE из набора GLUE. Она предназначена для классификации пары предложений, например определения, следует ли гипотеза из данного текста. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 136,3 млн параметров и принимает контекст длиной до 512 токенов.

На оценочной выборке указаны accuracy 0,7581 и loss 1,2496. Модель подходит для экспериментов и классификации текстовых пар в сценариях, близких к RTE; эти результаты не гарантируют качество на других доменах и распределениях данных. Доступна в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

определение, следует ли гипотеза из исходного предложения
классификация пар предложений по текстовому следованию
эксперименты с задачей RTE из набора GLUE

Ограничения

В README указаны результаты только на оценочной выборке GLUE RTE: accuracy 0,7581 и loss 1,2496; качество на других данных может отличаться. Карточка не описывает дополнительные сценарии применения.

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

albert-base-v2-finetuned-rte

This model is a fine-tuned version of albert-base-v2 on the glue dataset. It achieves the following results on the evaluation set:

Loss: 1.2496
Accuracy: 0.7581

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: 10
eval_batch_size: 10
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
No log	1.0	249	0.5914	0.6751
No log	2.0	498	0.5843	0.7184
0.5873	3.0	747	0.6925	0.7220
0.5873	4.0	996	1.1613	0.7545
0.2149	5.0	1245	1.2496	0.7581

Framework versions

Transformers 4.15.0
Pytorch 1.10.0+cu111
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: AlbertForSequenceClassification
Ревизия весов: a05e21f