Характеристики

Контекст: 514 токенов
Параметры: 36 млн
Архитектура: roberta · dense
Опубликована: 11 авг 2022

Ссылки

Hugging Face

categorization-finetuned-20220721-164940-distilled-20220811-074207

carted-nlp

Классификация текстаТекст → label7 профессий

Компактная модель RoBERTa для классификации и категоризации текстов.

12скачиваний 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-20220811-074207 — дообученная Carted NLP модель RoBERTa для классификации текста. Она содержит 36 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны метрики на оценочном наборе: accuracy 0,8771 и F1 0,8763; название предполагает применение для категоризации, но конкретные категории и обучающие данные не описаны.

Модель подходит для присвоения текстам категорий в прикладных системах. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

присвоение текстам категорий
классификация коротких сообщений
маршрутизация текстовых обращений по классам

Ограничения

Конкретные классы, языки, обучающий набор и сценарии применения в карточке не описаны. В README приведены метрики на оценочном наборе, но без его состава и условий оценки.

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.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

categorization-finetuned-20220721-164940-distilled-20220811-074207

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: 0.1499
Accuracy: 0.8771
F1: 0.8763

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: 64
eval_batch_size: 96
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: cosine
lr_scheduler_warmup_steps: 1500
num_epochs: 30.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.5644	0.56	2500	0.2739	0.7822	0.7774
0.2658	1.12	5000	0.2288	0.8159	0.8127
0.2307	1.69	7500	0.2082	0.8298	0.8273
0.2126	2.25	10000	0.1970	0.8389	0.8370
0.2012	2.81	12500	0.1888	0.8450	0.8433
0.1903	3.37	15000	0.1829	0.8496	0.8485
0.1846	3.94	17500	0.1783	0.8529	0.8511
0.1771	4.5	20000	0.1750	0.8548	0.8537
0.1726	5.06	22500	0.1727	0.8577	0.8564
0.1673	5.62	25000	0.1683	0.8602	0.8591
0.1648	6.19	27500	0.1675	0.8608	0.8597
0.1596	6.75	30000	0.1657	0.8630	0.8620
0.1563	7.31	32500	0.1635	0.8646	0.8639
0.154	7.87	35000	0.1613	0.8656	0.8647
0.1496	8.43	37500	0.1611	0.8666	0.8656
0.1496	9.0	40000	0.1598	0.8676	0.8669
0.1445	9.56	42500	0.1594	0.8681	0.8671
0.1435	10.12	45000	0.1588	0.8688	0.8679
0.1407	10.68	47500	0.1568	0.8703	0.8695
0.1382	11.25	50000	0.1564	0.8708	0.8700
0.1372	11.81	52500	0.1550	0.8720	0.8713
0.1344	12.37	55000	0.1559	0.8718	0.8708
0.1337	12.93	57500	0.1540	0.8735	0.8729
0.1303	13.5	60000	0.1541	0.8729	0.8721
0.1304	14.06	62500	0.1531	0.8735	0.8727
0.1274	14.62	65000	0.1535	0.8736	0.8727
0.1266	15.18	67500	0.1527	0.8750	0.8742
0.1251	15.74	70000	0.1525	0.8755	0.8748
0.1234	16.31	72500	0.1528	0.8753	0.8745
0.1229	16.87	75000	0.1516	0.8760	0.8753
0.121	17.43	77500	0.1523	0.8759	0.8752
0.1212	17.99	80000	0.1515	0.8760	0.8754
0.1185	18.56	82500	0.1514	0.8765	0.8757
0.1186	19.12	85000	0.1516	0.8766	0.8760
0.1172	19.68	87500	0.1506	0.8774	0.8767
0.1164	20.24	90000	0.1513	0.8770	0.8763
0.116	20.81	92500	0.1507	0.8774	0.8767
0.1145	21.37	95000	0.1507	0.8777	0.8770
0.1143	21.93	97500	0.1506	0.8776	0.8770
0.1131	22.49	100000	0.1507	0.8779	0.8772
0.1131	23.05	102500	0.1505	0.8779	0.8772
0.1123	23.62	105000	0.1506	0.8781	0.8774
0.1117	24.18	107500	0.1504	0.8783	0.8776
0.1118	24.74	110000	0.1503	0.8784	0.8777
0.1111	25.3	112500	0.1503	0.8783	0.8776
0.1111	25.87	115000	0.1502	0.8784	0.8777
0.1105	26.43	117500	0.1504	0.8783	0.8776
0.1105	26.99	120000	0.1502	0.8786	0.8779
0.1104	27.55	122500	0.1503	0.8786	0.8779
0.1096	28.12	125000	0.1502	0.8785	0.8779
0.1101	28.68	127500	0.1501	0.8786	0.8779
0.1101	29.24	130000	0.1502	0.8786	0.8779
0.1094	29.8	132500	0.1501	0.8786	0.8779

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: e611d56