Характеристики

Контекст: 514 токенов
Параметры: 144 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: robbert-v2-dutch-base
Опубликована: 25 июл 2024

Ссылки

Hugging Face

robbert-v2-dutch-base-finetuned-emotion

antalvdb

Классификация текстаТекст → label3 профессии

Дообученная нидерландская модель RoBERTa для классификации эмоций в тексте.

176скачиваний за 30 дней1лайквеса обновлены29 июл 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

Модель antalvdb/robbert-v2-dutch-base-finetuned-emotion — дообученная для классификации эмоций версия нидерландской RobBERT-v2 Dutch Base от pdelobelle. Она построена на архитектуре RoBERTa и предназначена для отнесения текста к эмоциональным классам.

Модель содержит 144 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате Safetensors по лицензии MIT. В README указаны результаты оценки: Accuracy 0,52 и F1 0,5123. Название модели указывает на настройку для распознавания эмоций, однако карточка не сообщает набор классов, данные обучения или подробности методики оценки.

Сценарии применения

классификация эмоциональной окраски нидерландских текстов
анализ эмоций в отзывах и сообщениях
первичная разметка эмоциональных классов в текстовом корпусе

Ограничения

В README приведены умеренные результаты оценки: Accuracy 0,52 и F1 0,5123; набор эмоциональных классов и датасет не описаны. Максимальный контекст составляет 514 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

robbert-v2-dutch-base-finetuned-emotion

This model is a fine-tuned version of pdelobelle/robbert-v2-dutch-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 3.3545
Accuracy: 0.52
F1: 0.5123

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: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
1.5586	1.0	25	1.4429	0.42	0.2485
1.4425	2.0	50	1.3576	0.46	0.3533
1.2834	3.0	75	1.3207	0.5	0.4369
1.1051	4.0	100	1.3228	0.48	0.4217
0.9053	5.0	125	1.3705	0.49	0.4302
0.7326	6.0	150	1.4522	0.53	0.5019
0.5724	7.0	175	1.5445	0.53	0.5064
0.4411	8.0	200	1.6560	0.54	0.5120
0.3476	9.0	225	1.7233	0.51	0.4845
0.2324	10.0	250	1.9150	0.52	0.5056
0.1866	11.0	275	2.0207	0.52	0.4975
0.165	12.0	300	2.0863	0.52	0.5094
0.1291	13.0	325	2.1584	0.5	0.4833
0.0762	14.0	350	2.2296	0.55	0.5332
0.0577	15.0	375	2.3171	0.5	0.4986
0.0424	16.0	400	2.4509	0.5	0.4795
0.0253	17.0	425	2.5444	0.49	0.4917
0.0191	18.0	450	2.5894	0.51	0.5031
0.0123	19.0	475	2.7144	0.5	0.4995
0.01	20.0	500	2.7358	0.53	0.5231
0.0086	21.0	525	2.8282	0.48	0.4825
0.0064	22.0	550	2.8421	0.52	0.5244
0.0059	23.0	575	2.9267	0.53	0.5200
0.005	24.0	600	2.9568	0.52	0.5074
0.0044	25.0	625	3.0420	0.47	0.4755
0.0066	26.0	650	3.0421	0.48	0.4881
0.0039	27.0	675	3.1039	0.51	0.4960
0.0033	28.0	700	3.1226	0.51	0.4955
0.0033	29.0	725	3.1215	0.51	0.4999
0.003	30.0	750	3.1649	0.51	0.4980
0.0025	31.0	775	3.1716	0.5	0.4921
0.0028	32.0	800	3.2371	0.5	0.4956
0.0028	33.0	825	3.1730	0.52	0.5154
0.0055	34.0	850	3.1842	0.49	0.4884
0.0022	35.0	875	3.2324	0.51	0.4955
0.0023	36.0	900	3.2221	0.52	0.5089
0.002	37.0	925	3.2756	0.51	0.4981
0.0021	38.0	950	3.2866	0.51	0.5010
0.0019	39.0	975	3.2882	0.51	0.5010
0.0018	40.0	1000	3.2864	0.51	0.4967
0.0017	41.0	1025	3.3101	0.51	0.4967
0.0017	42.0	1050	3.3215	0.52	0.5089
0.0016	43.0	1075	3.3253	0.51	0.5043
0.0056	44.0	1100	3.3118	0.51	0.5043
0.0016	45.0	1125	3.3566	0.51	0.4981
0.0016	46.0	1150	3.3593	0.51	0.4981
0.0016	47.0	1175	3.3638	0.51	0.4981
0.0017	48.0	1200	3.3605	0.52	0.5089
0.0017	49.0	1225	3.3526	0.52	0.5123
0.0016	50.0	1250	3.3545	0.52	0.5123

Framework versions

Transformers 4.42.4
Pytorch 2.3.1+cu121
Datasets 2.20.0
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: RobertaForSequenceClassification
Ревизия весов: 0cbeabd