Характеристики

Контекст: 514 токенов
Параметры: 36 млн
Архитектура: roberta · dense
Опубликована: 10 авг 2022

Ссылки

Hugging Face

categorization-finetuned-20220721-164940-distilled-20220810-185342

carted-nlp

Классификация текстаТекст → label7 профессий

Компактный классификатор на базе RoBERTa для присвоения тексту категорий.

13скачиваний за 30 дней0лайковвеса обновлены11 авг 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

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220810-185342 — дообученный классификатор текста на базе RoBERTa, разработанный carted-nlp. Модель содержит 36 млн параметров и принимает текст с контекстным окном до 514 токенов.

Она предназначена для классификации текстов. В карточке приведены результаты оценки: accuracy 0,87 и F1 0,869. Данные о классах, обучающем наборе и целевой области применения не раскрыты. Модель распространяется в формате PyTorch; лицензия в предоставленных сведениях не указана.

Сценарии применения

классификация коротких текстов по категориям
автоматическая разметка текстов по меткам
сортировка текстовых обращений по классам

Ограничения

В карточке не раскрыты набор данных, перечень классов и целевая область применения, поэтому качество для конкретных задач оценить нельзя. Указанные метрики получены на оценочном наборе, состав которого не описан.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

categorization-finetuned-20220721-164940-distilled-20220810-185342

This model is a fine-tuned version of carted-nlp/categorization-finetuned-20220721-164940 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0639
Accuracy: 0.87
F1: 0.8690

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: 64
eval_batch_size: 64
seed: 314
gradient_accumulation_steps: 4
total_train_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1500
num_epochs: 30.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.269	0.56	2500	0.1280	0.7547	0.7461
0.125	1.12	5000	0.1052	0.7960	0.7916
0.1079	1.69	7500	0.0950	0.8132	0.8102
0.0992	2.25	10000	0.0898	0.8216	0.8188
0.0938	2.81	12500	0.0859	0.8294	0.8268
0.0891	3.37	15000	0.0828	0.8349	0.8329
0.0863	3.94	17500	0.0806	0.8391	0.8367
0.0834	4.5	20000	0.0788	0.8417	0.8400
0.081	5.06	22500	0.0774	0.8449	0.8430
0.0792	5.62	25000	0.0754	0.8475	0.8460
0.0778	6.19	27500	0.0749	0.8489	0.8474
0.0758	6.75	30000	0.0738	0.8517	0.8502
0.0745	7.31	32500	0.0729	0.8531	0.8519
0.0733	7.87	35000	0.0720	0.8544	0.8528
0.072	8.43	37500	0.0714	0.8559	0.8546
0.0716	9.0	40000	0.0707	0.8565	0.8554
0.0701	9.56	42500	0.0704	0.8574	0.8558
0.0693	10.12	45000	0.0700	0.8581	0.8569
0.0686	10.68	47500	0.0690	0.8600	0.8588
0.0675	11.25	50000	0.0690	0.8605	0.8593
0.0673	11.81	52500	0.0682	0.8614	0.8603
0.0663	12.37	55000	0.0682	0.8619	0.8606
0.0657	12.93	57500	0.0675	0.8634	0.8624
0.0648	13.5	60000	0.0674	0.8636	0.8625
0.0647	14.06	62500	0.0668	0.8644	0.8633
0.0638	14.62	65000	0.0669	0.8648	0.8635
0.0634	15.18	67500	0.0665	0.8654	0.8643
0.063	15.74	70000	0.0663	0.8664	0.8654
0.0623	16.31	72500	0.0662	0.8663	0.8652
0.0622	16.87	75000	0.0657	0.8669	0.8660
0.0615	17.43	77500	0.0658	0.8670	0.8660
0.0616	17.99	80000	0.0655	0.8676	0.8667
0.0608	18.56	82500	0.0653	0.8683	0.8672
0.0606	19.12	85000	0.0653	0.8679	0.8669
0.0602	19.68	87500	0.0648	0.8690	0.8680
0.0599	20.24	90000	0.0650	0.8688	0.8677
0.0598	20.81	92500	0.0647	0.8689	0.8680
0.0592	21.37	95000	0.0647	0.8692	0.8681
0.0591	21.93	97500	0.0646	0.8698	0.8688
0.0587	22.49	100000	0.0645	0.8699	0.8690
0.0586	23.05	102500	0.0644	0.8699	0.8690
0.0583	23.62	105000	0.0644	0.8699	0.8690
0.058	24.18	107500	0.0642	0.8703	0.8693
0.058	24.74	110000	0.0642	0.8704	0.8694
0.0578	25.3	112500	0.0641	0.8703	0.8693
0.0576	25.87	115000	0.0641	0.8708	0.8699
0.0573	26.43	117500	0.0641	0.8708	0.8698
0.0574	26.99	120000	0.0639	0.8711	0.8702
0.0571	27.55	122500	0.0640	0.8711	0.8701
0.0569	28.12	125000	0.0639	0.8711	0.8702
0.0569	28.68	127500	0.0639	0.8712	0.8703
0.057	29.24	130000	0.0639	0.8712	0.8703
0.0566	29.8	132500	0.0638	0.8713	0.8704

Framework versions

Transformers 4.17.0
Pytorch 1.11.0+cu113
Datasets 2.3.2
Tokenizers 0.11.6

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: RobertaForSequenceClassification
Ревизия весов: 2b6efca