/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Архитектура
bert · dense
Опубликована
6 июн 2022

bert-semaphore-prediction-w4

Классификация текстаТекст → label3 профессии

Модель BERT для классификации текста с контекстом до 512 токенов, чьи классы и прикладное назначение не описаны.

10скачиваний за 30 дней0лайковвеса обновлены6 июн 2022

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

bondi/bert-semaphore-prediction-w4 — модель классификации текста на архитектуре BERT с головой BertForSequenceClassification. Согласно карточке, она обучена с нуля на наборе данных, обозначенном как None; назначение классов и область применения не описаны. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов.

Модель предназначена для задачи text-classification. Карточка не описывает конкретные сценарии использования, языки, данные оценки или ограничения качества. Доступный формат весов — PyTorch. Лицензия в предоставленных метаданных и README не указана.

Сценарии применения

  • классификация текстовых последовательностей
  • эксперименты с классификаторами на BERT
  • дообучение классификатора для собственной разметки

Ограничения

README не сообщает назначение классов, обучающие данные, результаты оценки или известные ограничения качества. Языковая поддержка и лицензия не обозначены в предоставленных источниках.

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

bert-semaphore-prediction-w4

This model was trained from scratch on the None dataset.

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: 2e-05
  • train_batch_size: 6
  • eval_batch_size: 6
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3

Framework versions

  • Transformers 4.19.2
  • Pytorch 1.11.0
  • Datasets 2.2.2
  • Tokenizers 0.12.1

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
4076600

0 моделей