Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Опубликована: 2 ноя 2023

Ссылки

Hugging Face

distilhubert-finetuned-gtzan

benjipeng

Классификация текстаТекст → label

Компактная модель на базе distilHuBERT классифицирует музыкальные аудиозаписи по жанрам на данных GTZAN.

5скачиваний за 30 дней0лайковвеса обновлены3 ноя 2023

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

benjipeng/distilhubert-finetuned-gtzan — компактная модель классификации аудио, дообученная на базе ntu-spml/distilhubert на наборе GTZAN. Архитектура HuBERT с классификационной головой содержит 18,9 млн параметров; веса представлены в формате PyTorch. Модель предназначена для определения музыкального жанра по аудиозаписи.

На оценочной выборке GTZAN указана точность 0,87. Базовая distilHuBERT рассчитана на обработку аудио с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0; README не приводит дополнительных сведений о применении и ограничениях.

Сценарии применения

определение жанра музыкального фрагмента
автоматическая категоризация музыкальной библиотеки
разметка музыкальных записей по жанрам

Ограничения

Точность 0,87 указана только для оценочной выборки GTZAN и не гарантирует такие же результаты на других данных. Для базовой модели указана обработка аудио с частотой 16 кГц.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilhubert-finetuned-gtzan

This model is a fine-tuned version of ntu-spml/distilhubert on the GTZAN dataset. It achieves the following results on the evaluation set:

eval_loss: 0.4784
eval_accuracy: 0.87
eval_runtime: 52.0685
eval_samples_per_second: 1.921
eval_steps_per_second: 0.25
epoch: 7.0
step: 791
Accuracy: 0.87

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: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 15

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.14.1
Tokenizers 0.13.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: 5d37b98