Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert-finetuned-gtzan
Опубликована: 25 июл 2023

Ссылки

Hugging Face

distilhubert-finetuned-gtzan-finetuned-gtzan

bwilkie

Классификация текстаТекст → label3 профессии

Компактная модель HuBERT определяет музыкальный жанр аудиозаписи и показывает точность 0,89 на оценочной выборке GTZAN.

22скачиваний за 30 дней0лайковвеса обновлены26 июл 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

Это дообученная модель классификации аудио на основе NicolasDenier/distilhubert-finetuned-gtzan, созданная для распознавания музыкальных жанров в датасете GTZAN. Архитектура HuBERT для классификации последовательностей содержит 18,9 млн параметров.

На оценочной выборке указаны loss 0,3956 и точность 0,89. Модель принимает аудиозапись и предсказывает жанровую метку; карточка не описывает дополнительные сценарии или языковые возможности. Распространяется по лицензии Apache-2.0.

Сценарии применения

определение жанра музыкальной записи
автоматическая классификация треков по жанрам
разметка музыкальной коллекции по жанрам

Ограничения

Оценка 0,89 относится только к указанной оценочной выборке GTZAN; переносимость на другие жанры, источники и условия записи не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bwilkie-finetuned-gtzan

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

Loss: 0.3956
Accuracy: 0.89

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: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 16
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2299	1.0	56	0.4532	0.86
0.1206	1.99	112	0.3956	0.89

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.14.0
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: 3a3e5e9