/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Архитектура
bert · dense

biobert-v1.1-finetuned-pubmedqa

Классификация текстаТекст → label3 профессии

Дообученная на базе BioBERT модель классификации текстов для задач PubMedQA и ответов на вопросы по биомедицинским статьям.

2 746скачиваний за 30 дней2лайкавеса обновлены13 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-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, созданная дообучением dmis-lab/biobert-v1.1 для классификации текстов. Она предназначена для задач, связанных с PubMedQA и ответами на вопросы по биомедицинским публикациям. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов и формат PyTorch.

На оценочном наборе модель показала accuracy 0,7 и loss 0,7737. README не раскрывает состав меток, обучающего набора данных или подробности использования, поэтому результаты не позволяют судить о качестве на других задачах. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Классификация ответов на вопросы по биомедицинским публикациям
  • Анализ текстов PubMed в задачах вопросно-ответной оценки
  • Классификация биомедицинских текстовых фрагментов

Ограничения

В README приведены только accuracy 0,7 и loss 0,7737 на оценочном наборе; состав данных, схема меток и ограничения применения не описаны. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

biobert-v1.1-finetuned-pubmedqa

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

  • Loss: 0.7737
  • Accuracy: 0.7

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: 1e-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 LossEpochStepValidation LossAccuracy
No log1.0570.88100.56
No log2.01140.81390.62
No log3.01710.79630.68
No log4.02280.77090.66
No log5.02850.79310.64
No log6.03420.74200.7
No log7.03990.76540.7
No log8.04560.77560.68
0.58499.05130.76050.68
0.584910.05700.77370.7

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
d36bc44

0 моделей