/ Модель

Характеристики

Контекст
512 токенов
Параметры
20,4 млн
Архитектура
electra · dense
Опубликована
24 авг 2022

electramed-small-BC5CDR-ner

Разметка токеновТекст → label3 профессии

Компактная модель ELECTRA для распознавания химических веществ и заболеваний в биомедицинских текстах.

92скачиваний за 30 дней0лайковвеса обновлены24 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

electramed-small-BC5CDR-ner — модель семейства ELECTRA, разработанная путём дообучения giacomomiolo/electramed_small_scivocab на наборе BC5CDR. Она предназначена для разметки токенов и распознавания сущностей в биомедицинских текстах, связанных с химическими веществами и заболеваниями. Модель содержит 20,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch.

В README приведены результаты на оценочном наборе BC5CDR: F1 0,8444, точность 0,8092 и полнота 0,8829. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение названий химических веществ из научных статей
  • распознавание заболеваний в биомедицинских публикациях
  • разметка биомедицинских сущностей по токенам
  • подготовка упоминаний химических веществ и заболеваний для последующего анализа

Ограничения

Оценочные метрики приведены только для набора BC5CDR и не гарантируют такие же результаты на других корпусах или типах текстов. Контекст ограничен 512 токенами.

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

electramed-small-BC5CDR-ner

This model is a fine-tuned version of giacomomiolo/electramed_small_scivocab on the bc5_cdr dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1227
  • Precision: 0.8092
  • Recall: 0.8829
  • F1: 0.8444
  • Accuracy: 0.9686

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: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Accuracy
0.71771.02860.69020.00.00.00.8864
0.15612.05720.32100.73340.81040.77000.9636
0.25113.08580.20640.78090.87110.82360.9666
0.05124.011440.15990.79370.87510.83240.9689
0.0835.014300.14490.79830.88040.83730.9679
0.04126.017160.13150.81410.88250.84690.9701
0.14377.020020.12580.82270.87580.84850.9699
0.18948.022880.12260.81410.88330.84730.9696
0.02369.025740.12200.81600.88240.84790.9694
0.060210.028600.12270.80920.88290.84440.9686

Framework versions

  • Transformers 4.21.1
  • Pytorch 1.12.1+cu113
  • Datasets 2.4.0
  • Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ElectraForTokenClassification
Ревизия весов
430c49e

0 моделей