/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
roberta · dense
Опубликована
5 июн 2022

finetuning-cardiffnlp-sentiment-model

Классификация текстаТекст → label4 профессии

Дообученная RoBERTa-модель для классификации тональности текстовых сообщений.

12скачиваний за 30 дней0лайковвеса обновлены5 июн 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

anvay/finetuning-cardiffnlp-sentiment-model — модель классификации тональности текста, дообученная на основе cardiffnlp/twitter-roberta-base-sentiment-latest. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит 151,8 млн параметров. Модель предназначена для определения тональности текстовых сообщений; конкретный обучающий датасет не описан.

В карточке приведены результаты оценки: точность 0,9165 и функция потерь 0,2685. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch и выпущен под лицензией, указанной в метаданных модели.

Сценарии применения

  • Определение тональности короткого текста
  • Анализ тональности сообщений в социальных сетях
  • Разметка текстовых отзывов по тональности

Ограничения

Обучающий датасет и подробные сценарии применения не описаны. Приведённая точность относится к оценочному набору, характеристики которого не указаны.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuning-cardiffnlp-sentiment-model

This model is a fine-tuned version of cardiffnlp/twitter-roberta-base-sentiment-latest on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2685
  • Accuracy: 0.9165

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: 2

Training results

Framework versions

  • Transformers 4.19.2
  • Pytorch 1.11.0+cu113
  • Datasets 2.2.2
  • Tokenizers 0.12.1

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
94c503c

0 моделей