/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-base-indonesian-1.5G-sentiment-analysis-smsa

Классификация текстаТекст → label4 профессии

Дообученная индонезийская BERT-модель для классификации тональности текста.

49 534скачиваний за 30 дней22лайкавеса обновлены23 авг 2025

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

Это модель классификации тональности текста на индонезийском языке, созданная дообучением bert-base-indonesian-1.5G на наборе данных indonlu. Она предназначена для определения тональности коротких текстовых сообщений и отзывов. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов.

На тестовой выборке автор сообщает точность 0,9373 и значение функции потерь 0,3390. Модель принимает текст и выдаёт метку класса тональности. Распространяется по лицензии MIT.

Сценарии применения

  • определение тональности отзывов на индонезийском языке
  • анализ настроения в публикациях и сообщениях на индонезийском
  • автоматическая разметка коротких текстов по тональности

Ограничения

Показатели качества приведены для оценочной выборки indonlu; качество на других типах текстов и в иных сценариях не указано. Контекст ограничен 512 токенами.

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

bert-base-indonesian-1.5G-finetuned-sentiment-analysis-smsa

This model is a fine-tuned version of cahya/bert-base-indonesian-1.5G on the indonlu dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3390
  • Accuracy: 0.9373

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: 10

Training results

Training LossEpochStepValidation LossAccuracy
0.28641.06880.21540.9286
0.16482.013760.22380.9357
0.07593.020640.33510.9365
0.0444.027520.33900.9373
0.03085.034400.43460.9365
0.01136.041280.47080.9365
0.0067.048160.55330.9325
0.00478.055040.58880.9310
0.00019.061920.59610.9333
0.010.068800.59920.9357

Framework versions

  • Transformers 4.14.1
  • Pytorch 1.10.0+cu111
  • Datasets 1.16.1
  • 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
89fa5ba

0 моделей