Характеристики

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

Ссылки

Hugging Face

indobert-base-uncased-finetuned-indonlu-smsa

ayameRushia

Классификация текстаТекст → label4 профессии

Дообученная на IndoNLU модель BERT для классификации тональности текста на индонезийском языке.

36скачиваний за 30 дней0лайковвеса обновлены2 фев 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

ayameRushia/indobert-base-uncased-finetuned-indonlu-smsa — модель на базе BERT, дообученная на датасете IndoNLU для классификации текста на индонезийском языке. Она предназначена для анализа тональности и классификации коротких сообщений; в README приведены результаты на тестовой выборке: accuracy 0,9302 и F1 0,9066. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и Safetensors. Лицензия — MIT.

Сценарии применения

Определение тональности индонезийских сообщений
Классификация отзывов на индонезийском языке
Автоматическая разметка коротких текстов на индонезийском языке

Ограничения

Модель ориентирована на индонезийский язык и классификацию текста; качество на других языках и задачах не подтверждено. Приведённые метрики получены на оценочной выборке IndoNLU и не гарантируют такое же качество на пользовательских данных.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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 III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

indobert-base-uncased-finetuned-indonlu-smsa

This model is a fine-tuned version of indolem/indobert-base-uncased on the indonlu dataset. It achieves the following results on the evaluation set:

Loss: 0.2277
Accuracy: 0.9302
F1: 0.9066
Precision: 0.8992
Recall: 0.9147

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-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
lr_scheduler_warmup_steps: 1500
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
No log	1.0	344	0.3831	0.8476	0.7715	0.7817	0.7627
0.4167	2.0	688	0.2809	0.8905	0.8406	0.8699	0.8185
0.2624	3.0	1032	0.2254	0.9230	0.8842	0.9004	0.8714
0.2624	4.0	1376	0.2378	0.9238	0.8797	0.9180	0.8594
0.1865	5.0	1720	0.2277	0.9302	0.9066	0.8992	0.9147
0.1217	6.0	2064	0.2444	0.9262	0.8981	0.9013	0.8957
0.1217	7.0	2408	0.2985	0.9286	0.8999	0.9035	0.8971
0.0847	8.0	2752	0.3397	0.9278	0.8969	0.9090	0.8871
0.0551	9.0	3096	0.3542	0.9270	0.8961	0.9010	0.8924
0.0551	10.0	3440	0.3862	0.9222	0.8895	0.8970	0.8846

Framework versions

Transformers 4.14.1
Pytorch 1.10.0+cu111
Datasets 1.17.0
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: 1d7cecf