Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 15 апр 2024

Ссылки

Hugging Face

mitre-bert-base-cased

bencyc1129

Классификация текстаТекст → label6 профессий

Дообученная модель BERT для классификации текстовых последовательностей.

20скачиваний за 30 дней1лайквеса обновлены15 апр 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

mitre-bert-base-cased — модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе данных, обозначенном как None. Она предназначена для классификации текста. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors.

В карточке приведены результаты оценки: accuracy 0,6994 и loss 1,0145. Назначение классов, состав обучающих данных и подробные ограничения не описаны. Модель основана на google-bert/bert-base-cased и лицензирована по Apache-2.0.

Сценарии применения

классификация текстовых сообщений по заданным категориям
классификация документов
разметка текстов для последующей обработки

Ограничения

Названия классов и обучающий набор данных не раскрыты; на оценочной выборке указана точность 0,6994. Контекст ограничен 512 токенами.

Для каких профессий подходит6

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mitre-bert-base-cased

This model is a fine-tuned version of bert-base-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.0145
Accuracy: 0.6994

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: 5e-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 Loss	Epoch	Step	Validation Loss	Accuracy
1.2761	0.68	500	0.8453	0.6864
0.7448	1.36	1000	0.7566	0.7164
0.6056	2.04	1500	0.7187	0.7318
0.4763	2.72	2000	0.7134	0.7307
0.4276	3.41	2500	0.7604	0.7420
0.3855	4.09	3000	0.7493	0.7362
0.3303	4.77	3500	0.7727	0.7423
0.313	5.45	4000	0.8053	0.7263
0.2948	6.13	4500	0.8555	0.7280
0.2779	6.81	5000	0.8839	0.7127
0.2526	7.49	5500	0.9097	0.7144
0.2576	8.17	6000	0.9421	0.7171
0.2461	8.86	6500	0.9821	0.7018
0.2357	9.54	7000	1.0145	0.6994

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: 013b2fd