Англоязычная модель на базе DistilBERT для классификации предложений как положительных или отрицательных.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
bhadresh-savani выпустил модель классификации тональности на основе DistilBERT. Она определяет, выражает ли предложение положительную или отрицательную оценку, и предназначена для анализа коротких англоязычных текстов. Модель обучена на Stanford Sentiment Treebank из набора GLUE; в карточке приведена точность 0,9094 на 872 примерах оценки.
Модель использует архитектуру DistilBertForSequenceClassification, поддерживает входной контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Карточка не описывает работу с другими языками или типами входных данных.
Модель предназначена для классификации положительной и отрицательной тональности предложений; карточка не заявляет другие классы эмоций или поддержку языков помимо английского. Точность 0,9094 указана на оценочной выборке SST-2 и не гарантирует такой же результат на иных данных.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model will be able to identify positivity or negativity present in the sentence
The Stanford Sentiment Treebank from GLUE
***** eval metrics *****
epoch = 3.0
eval_accuracy = 0.9094
eval_loss = 0.3514
eval_runtime = 0:00:03.60
eval_samples = 872
eval_samples_per_second = 242.129
eval_steps_per_second = 30.266
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…