Характеристики

Контекст: 514 токенов
Параметры: 45,4 млн
Архитектура: roberta · dense
Опубликована: 11 авг 2022

Ссылки

Hugging Face

categorization-finetuned-20220721-164940-distilled-20220811-132317

carted-nlp

Классификация текстаТекст → label5 профессий

Компактная RoBERTa-модель для классификации текста по категориям.

14скачиваний за 30 дней0лайковвеса обновлены12 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-20220811-132317 — дообученная и дистиллированная RoBERTa-модель классификации текста от carted-nlp. Она предназначена для отнесения текстов к категориям; конкретные категории и целевая область применения в карточке не раскрыты. Модель содержит 45,4 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и ONNX.

На оценочном наборе указаны accuracy 0,8783 и F1 0,8779. Датасет обозначен как None, поэтому результаты нельзя уверенно переносить на другие данные или категории. Сведения о лицензии отсутствуют в предоставленных данных.

Сценарии применения

Автоматическое распределение текстов по категориям
Классификация пользовательских сообщений
Разметка текстовых записей для последующей сортировки

Ограничения

Категории и обучающий датасет не описаны; метрики приведены только для оценочного набора, обозначенного в карточке. Лицензия не указана в предоставленных данных.

Для каких профессий подходит5

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

categorization-finetuned-20220721-164940-distilled-20220811-132317

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: 0.1522
Accuracy: 0.8783
F1: 0.8779

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: 4e-05
train_batch_size: 64
eval_batch_size: 128
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: 2000
num_epochs: 30.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.5212	0.56	2500	0.2564	0.7953	0.7921
0.243	1.12	5000	0.2110	0.8270	0.8249
0.2105	1.69	7500	0.1925	0.8409	0.8391
0.1939	2.25	10000	0.1837	0.8476	0.8465
0.1838	2.81	12500	0.1771	0.8528	0.8517
0.1729	3.37	15000	0.1722	0.8564	0.8555
0.1687	3.94	17500	0.1684	0.8593	0.8576
0.1602	4.5	20000	0.1653	0.8614	0.8604
0.1572	5.06	22500	0.1629	0.8648	0.8638
0.1507	5.62	25000	0.1605	0.8654	0.8646
0.1483	6.19	27500	0.1602	0.8661	0.8653
0.1431	6.75	30000	0.1597	0.8669	0.8663
0.1393	7.31	32500	0.1581	0.8691	0.8687
0.1374	7.87	35000	0.1556	0.8704	0.8697
0.1321	8.43	37500	0.1558	0.8707	0.8700
0.1328	9.0	40000	0.1536	0.8719	0.8711
0.1261	9.56	42500	0.1544	0.8716	0.8708
0.1256	10.12	45000	0.1541	0.8731	0.8725
0.122	10.68	47500	0.1520	0.8741	0.8734
0.1196	11.25	50000	0.1529	0.8734	0.8728
0.1182	11.81	52500	0.1510	0.8758	0.8751
0.1145	12.37	55000	0.1526	0.8746	0.8737
0.1141	12.93	57500	0.1512	0.8765	0.8759
0.1094	13.5	60000	0.1517	0.8760	0.8753
0.1098	14.06	62500	0.1513	0.8771	0.8764
0.1058	14.62	65000	0.1506	0.8775	0.8768
0.1048	15.18	67500	0.1521	0.8774	0.8768
0.1028	15.74	70000	0.1520	0.8778	0.8773
0.1006	16.31	72500	0.1517	0.8780	0.8774
0.1001	16.87	75000	0.1505	0.8794	0.8790
0.0971	17.43	77500	0.1520	0.8784	0.8778
0.0973	17.99	80000	0.1514	0.8796	0.8790
0.0938	18.56	82500	0.1516	0.8795	0.8789
0.0942	19.12	85000	0.1522	0.8794	0.8789
0.0918	19.68	87500	0.1518	0.8799	0.8793
0.0909	20.24	90000	0.1528	0.8803	0.8796
0.0901	20.81	92500	0.1516	0.8799	0.8793
0.0882	21.37	95000	0.1519	0.8800	0.8794
0.088	21.93	97500	0.1517	0.8802	0.8798
0.086	22.49	100000	0.1530	0.8800	0.8795
0.0861	23.05	102500	0.1523	0.8806	0.8801
0.0846	23.62	105000	0.1524	0.8808	0.8802
0.0843	24.18	107500	0.1522	0.8805	0.8800
0.0836	24.74	110000	0.1525	0.8808	0.8803
0.083	25.3	112500	0.1528	0.8810	0.8803
0.0829	25.87	115000	0.1528	0.8808	0.8802
0.082	26.43	117500	0.1529	0.8808	0.8802
0.0818	26.99	120000	0.1525	0.8811	0.8805
0.0816	27.55	122500	0.1526	0.8811	0.8806
0.0809	28.12	125000	0.1528	0.8810	0.8805
0.0809	28.68	127500	0.1527	0.8810	0.8804
0.0814	29.24	130000	0.1528	0.8808	0.8802
0.0807	29.8	132500	0.1528	0.8808	0.8802

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: 51ca934