Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense

Ссылки

Hugging Face

bert-base-uncased-finetuned-qnli

anirudh21

Классификация текстаТекст → label7 профессий

Англоязычная модель BERT для классификации пар вопрос–текст и оценки того, отвечает ли текст на вопрос.

18скачиваний за 30 дней0лайковвеса обновлены27 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

anirudh21/bert-base-uncased-finetuned-qnli — модель BERT, дообученная на наборе GLUE для классификации текстовых последовательностей. Её можно использовать для оценки связи между парой предложений, в частности для задачи QNLI: определения, отвечает ли текст на заданный вопрос.

Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Она работает с текстом на английском языке и выдаёт метку классификации. На оценочной выборке указаны accuracy 0,7917 и loss 0,6268.

Модель выпущена пользователем anirudh21 как дообучение bert-base-uncased. Лицензия — Apache-2.0. Результат зависит от формулировок вопроса и текста; оценка на GLUE не гарантирует аналогичного качества на других данных.

Сценарии применения

Определение, содержит ли отрывок ответ на заданный вопрос
Классификация пар вопрос–предложение для QNLI
Поиск подходящих фрагментов текста по вопросу

Ограничения

Указанная точность 0,7917 измерена на оценочной выборке GLUE и не гарантирует такого же качества на других данных. Контекст ограничен 512 токенами.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-finetuned-qnli

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

Loss: 0.6268
Accuracy: 0.7917

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: 16
eval_batch_size: 16
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	63	0.5339	0.7620
No log	2.0	126	0.4728	0.7866
No log	3.0	189	0.5386	0.7847
No log	4.0	252	0.6096	0.7904
No log	5.0	315	0.6268	0.7917

Framework versions

Transformers 4.15.0
Pytorch 1.10.0+cu111
Datasets 1.18.1
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: BertForSequenceClassification
Ревизия весов: ebb68e4