Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Опубликована: 26 апр 2022

Ссылки

Hugging Face

isear_bert

crcb

Классификация текстаТекст → label3 профессии

Модель RoBERTa для многоклассовой классификации текста, обученная с помощью AutoTrain.

11скачиваний за 30 дней0лайковвеса обновлены26 апр 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

crcb/isear_bert — модель классификации последовательностей на базе RoBERTa, опубликованная под аккаунтом crcb и обученная с помощью AutoTrain. Она предназначена для многоклассовой классификации текста; README приводит пример отправки текста через API Hugging Face. Модель содержит 151,8 млн параметров, принимает до 514 токенов и представлена в формате PyTorch.

В README указаны метрики на валидации: accuracy 0,727 и macro F1 0,723. В карточке также указан набор данных crcb/autotrain-data-isear_bert, однако назначение классов и подробности разметки не описаны. Лицензия в предоставленных данных не указана.

Сценарии применения

Многоклассовая классификация коротких текстовых сообщений
Определение категории текста в приложении через API Hugging Face
Классификация текстов на основе набора данных ISEAR

Ограничения

Валидационный accuracy составляет около 0,73; назначение классов и подробности обучающей разметки в карточке не приведены.

Для каких профессий подходит3

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 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

Problem type: Multi-class Classification
Model ID: 786224257
CO2 Emissions (in grams): 0.026027055434994496

Validation Metrics

Loss: 0.8348872065544128
Accuracy: 0.7272727272727273
Macro F1: 0.7230931630686932
Micro F1: 0.7272727272727273
Weighted F1: 0.7236599456423468
Macro Precision: 0.7328252157220334
Micro Precision: 0.7272727272727273
Weighted Precision: 0.7336599708829821
Macro Recall: 0.7270448163292604
Micro Recall: 0.7272727272727273
Weighted Recall: 0.7272727272727273

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/crcb/autotrain-isear_bert-786224257

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("crcb/autotrain-isear_bert-786224257", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("crcb/autotrain-isear_bert-786224257", use_auth_token=True)

inputs = tokenizer("I love AutoTrain", return_tensors="pt")

outputs = model(**inputs)

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: 64b3cc2