Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 25 мая 2022

Ссылки

Hugging Face

binary-classification

autoevaluate

Классификация текстаТекст → label3 профессии

Дообученная на GLUE модель DistilBERT для классификации текстовых последовательностей.

111скачиваний за 30 дней3лайкавеса обновлены2 дек 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

autoevaluate/binary-classification — модель классификации текста, дообученная на базе distilbert-base-uncased на наборе данных GLUE. Она предназначена для отнесения текстовых последовательностей к классам; в README приведены результаты на оценочной выборке: accuracy 0,8968 и loss 0,3009. Модель использует архитектуру DistilBERT с классификационной головой, работает с текстом и имеет контекст до 512 токенов.

Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает конкретные метки классов, сценарии применения или ограничения; результаты GLUE сами по себе не гарантируют качество на других данных.

Сценарии применения

классификация текстов по заданным категориям
оценка качества модели на задачах GLUE
эксперименты с классификацией текста на базе DistilBERT

Ограничения

В README не указаны конкретные метки классов и практические ограничения. Результаты оценки на GLUE не гарантируют аналогичного качества на других наборах данных.

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 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

binary-classification

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

Loss: 0.3009
Accuracy: 0.8968

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: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.175	1.0	4210	0.3009	0.8968

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: DistilBertForSequenceClassification
Ревизия весов: 82125a5