Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense

Ссылки

Hugging Face

biobert-base-cased-v1.1-finetuned-pubmedqa

blizrys

Классификация текстаТекст → label3 профессии

Дообученная биомедицинская BERT-модель для классификации текста в задачах вопросов и ответов по научным публикациям.

28скачиваний за 30 дней0лайковвеса обновлены12 сен 2021

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

blizrys/biobert-base-cased-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, дообученная на основе dmis-lab/biobert-base-cased-v1.1 для классификации текста. В README указано, что дообучение проводилось для PubMedQA, однако обучающий набор обозначен как None, поэтому связь с конкретными данными и метриками ограничена. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch.

Модель предназначена для классификации текстовых входов в сценариях вопросов и ответов по биомедицинским публикациям. В README приведены loss 2,3182 и accuracy 0,5 на оценочном наборе; это указывает на ограниченное качество в указанной оценке. Лицензия в предоставленных данных не указана.

Сценарии применения

классификация ответов на вопросы по биомедицинским статьям
оценка ответов на вопросы по публикациям PubMed
классификация текстов в биомедицинских QA-сценариях

Ограничения

В оценке, указанной в README, accuracy составляет 0,5; сведения об обучающем наборе, предназначении и дополнительных ограничениях отсутствуют. Лицензия не приведена в предоставленных данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

biobert-base-cased-v1.1-finetuned-pubmedqa

This model is a fine-tuned version of dmis-lab/biobert-base-cased-v1.1 on the None dataset. It achieves the following results on the evaluation set:

Loss: 2.3182
Accuracy: 0.5

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
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	57	0.8591	0.58
No log	2.0	114	0.9120	0.58
No log	3.0	171	0.8159	0.62
No log	4.0	228	1.1651	0.54
No log	5.0	285	1.2350	0.6
No log	6.0	342	1.5563	0.68
No log	7.0	399	2.0233	0.58
No log	8.0	456	2.2054	0.5
0.4463	9.0	513	2.2434	0.5
0.4463	10.0	570	2.3182	0.5

Framework versions

Transformers 4.10.2
Pytorch 1.9.0+cu102
Datasets 1.11.0
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: 7e208b1