Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 25 янв 2024

Ссылки

Hugging Face

bert_finetuned_resume

bayesian4042

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста, название которой указывает на возможную классификацию резюме.

6скачиваний за 30 дней0лайковвеса обновлены25 янв 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

bayesian4042/bert_finetuned_resume — модель классификации текста, дообученная разработчиком на базе distilbert/distilbert-base-uncased. Она предназначена для классификации последовательностей; название указывает на сценарий, связанный с резюме, однако метки классов и назначение обучающего набора не описаны. Модель использует архитектуру DistilBERT и принимает текстовые последовательности длиной до 512 токенов.

В карточке приведены результаты оценки: loss 0,2759, accuracy 0,9356 и F1 0,9340, но датасет и условия оценки не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Сценарии применения

классификация текстов резюме
автоматическая категоризация резюме при разборе кандидатов
прототипирование классификатора текстовых документов

Ограничения

Обучающий датасет, классы и подробное назначение модели не описаны. Приведённые метрики получены на неуточнённом наборе оценки, поэтому качество на других данных не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_finetuned_resume

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

Loss: 0.2759
Accuracy: 0.9356
F1: 0.9340

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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	114	0.3235	0.9158	0.9150
No log	2.0	228	0.2864	0.9307	0.9294
No log	3.0	342	0.2798	0.9307	0.9297
No log	4.0	456	0.2785	0.9356	0.9340
No log	5.0	570	0.2759	0.9356	0.9340

Framework versions

Transformers 4.37.1
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.1

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: db502fc