Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Опубликована: 3 авг 2022

Ссылки

Hugging Face

deberta-v3-base_fine_tuned_food_ner

davanstrien

Разметка токеновТекст → label3 профессии

Дообученная DeBERTa-v3-base для извлечения сущностей из текстов о продуктах питания.

43скачиваний за 30 дней10лайковвеса обновлены11 сен 2023

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

Это модель для распознавания именованных сущностей в тексте о продуктах питания. Она создана дообучением DeBERTa-v3-base от Microsoft и выдаёт метки для отдельных токенов. Модель содержит 211,6 млн параметров, работает с текстом и поддерживает контекст до 512 токенов.

В README приведены результаты на оценочной выборке: F1 0,9356, точность 0,9268 и полнота 0,9446. Сведения о составе и разметке обучающих данных, конкретных типах сущностей и ограничениях применения не приведены. Лицензия модели — MIT.

Сценарии применения

извлечение названий продуктов из текста
разметка упоминаний ингредиентов
поиск сущностей в описаниях еды
автоматическая разметка пищевых текстов

Ограничения

README не уточняет набор типов сущностей и состав обучающих данных; приведённые метрики относятся только к указанной оценочной выборке.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-v3-base_fine_tuned_food_ner

This model is a fine-tuned version of microsoft/deberta-v3-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.4164
Precision: 0.9268
Recall: 0.9446
F1: 0.9356
Accuracy: 0.9197

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: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	40	0.8425	0.8323	0.8323	0.8323	0.8073
No log	2.0	80	0.5533	0.8703	0.8941	0.8820	0.8731
No log	3.0	120	0.4855	0.8771	0.9109	0.8937	0.8797
No log	4.0	160	0.4238	0.8949	0.9222	0.9083	0.8964
No log	5.0	200	0.4176	0.9048	0.9302	0.9173	0.9008
No log	6.0	240	0.4127	0.9065	0.9342	0.9202	0.9004
No log	7.0	280	0.4409	0.9294	0.9302	0.9298	0.9043
No log	8.0	320	0.3971	0.9129	0.9334	0.9230	0.9061
No log	9.0	360	0.3941	0.9112	0.9390	0.9249	0.9061
No log	10.0	400	0.4069	0.9233	0.9366	0.9299	0.9148
No log	11.0	440	0.4039	0.9213	0.9390	0.9300	0.9162
No log	12.0	480	0.4000	0.9126	0.9470	0.9295	0.9113
0.3799	13.0	520	0.4126	0.9323	0.9390	0.9356	0.9179
0.3799	14.0	560	0.4076	0.9272	0.9398	0.9334	0.9140
0.3799	15.0	600	0.4129	0.9317	0.9414	0.9365	0.9188
0.3799	16.0	640	0.4000	0.9239	0.9446	0.9341	0.9162
0.3799	17.0	680	0.4098	0.9267	0.9438	0.9352	0.9179
0.3799	18.0	720	0.4110	0.9232	0.9454	0.9342	0.9188
0.3799	19.0	760	0.4202	0.9275	0.9446	0.9360	0.9183
0.3799	20.0	800	0.4164	0.9268	0.9446	0.9356	0.9197

Framework versions

Transformers 4.21.0
Pytorch 1.12.0+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: DebertaV2ForTokenClassification
Ревизия весов: 4eeadf8