Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense

Ссылки

bert-base-turkish-cased-allnli_tr

Классификация текстаТекст → label5 профессий

Дообученная турецкая BERT-модель для классификации текста и отнесения его к заданным категориям без отдельного обучения на этих категориях.

67скачиваний за 30 дней1лайквеса обновлены2 дек 2021

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

emrecan/bert-base-turkish-cased-allnli_tr — дообученная модель BERT для турецкого языка, созданная на основе dbmdz/bert-base-turkish-cased. Она предназначена для классификации текста с нулевым обучением и задач на основе NLI, например отнесения текста к пользовательским категориям по заданным меткам. Модель содержит 137,8 млн параметров, использует регрессионно-классификационную архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов.

В карточке приведены результаты оценки: loss 0,5771 и accuracy 0,7978; описание набора данных и ограничения в README не раскрыты. Модель опубликована в формате PyTorch под лицензией MIT.

Сценарии применения

классификация турецкого текста по пользовательским меткам
нулевая классификация турецких отзывов по темам
проверка соответствия турецкого текста заданным категориям

Ограничения

README не описывает ограничения и обучающие данные; опубликованный показатель accuracy 0,7978 относится только к указанному набору оценки, состав которого не раскрыт.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

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

bert-base-turkish-cased_allnli_tr

This model is a fine-tuned version of dbmdz/bert-base-turkish-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5771
Accuracy: 0.7978

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: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.8559	0.03	1000	0.7577	0.6798
0.6612	0.07	2000	0.7263	0.6958
0.6115	0.1	3000	0.6431	0.7364
0.5916	0.14	4000	0.6347	0.7407
0.5719	0.17	5000	0.6317	0.7483
0.5575	0.2	6000	0.6034	0.7544
0.5521	0.24	7000	0.6148	0.7568
0.5393	0.27	8000	0.5931	0.7610
0.5382	0.31	9000	0.5866	0.7665
0.5306	0.34	10000	0.5881	0.7594
0.5295	0.37	11000	0.6120	0.7632
0.5225	0.41	12000	0.5620	0.7759
0.5112	0.44	13000	0.5641	0.7769
0.5133	0.48	14000	0.5571	0.7798
0.5023	0.51	15000	0.5719	0.7722
0.5017	0.54	16000	0.5482	0.7844
0.5111	0.58	17000	0.5503	0.7800
0.4929	0.61	18000	0.5502	0.7836
0.4923	0.65	19000	0.5424	0.7843
0.4894	0.68	20000	0.5417	0.7851
0.4877	0.71	21000	0.5514	0.7841
0.4818	0.75	22000	0.5494	0.7848
0.4898	0.78	23000	0.5450	0.7859
0.4823	0.82	24000	0.5417	0.7878
0.4806	0.85	25000	0.5354	0.7875
0.4779	0.88	26000	0.5338	0.7848
0.4744	0.92	27000	0.5277	0.7934
0.4678	0.95	28000	0.5507	0.7871
0.4727	0.99	29000	0.5603	0.7789
0.4243	1.02	30000	0.5626	0.7894
0.3955	1.05	31000	0.5324	0.7939
0.4022	1.09	32000	0.5322	0.7925
0.3976	1.12	33000	0.5450	0.7920
0.3913	1.15	34000	0.5464	0.7948
0.406	1.19	35000	0.5406	0.7958
0.3875	1.22	36000	0.5489	0.7878
0.4024	1.26	37000	0.5427	0.7925
0.3988	1.29	38000	0.5335	0.7904
0.393	1.32	39000	0.5415	0.7923
0.3988	1.36	40000	0.5385	0.7962
0.3912	1.39	41000	0.5383	0.7950
0.3949	1.43	42000	0.5415	0.7931
0.3902	1.46	43000	0.5438	0.7893
0.3948	1.49	44000	0.5348	0.7906
0.3921	1.53	45000	0.5361	0.7890
0.3944	1.56	46000	0.5419	0.7953
0.3959	1.6	47000	0.5402	0.7967
0.3926	1.63	48000	0.5429	0.7925
0.3854	1.66	49000	0.5346	0.7959
0.3864	1.7	50000	0.5241	0.7979
0.385	1.73	51000	0.5149	0.8002
0.3871	1.77	52000	0.5325	0.8002
0.3819	1.8	53000	0.5332	0.8022
0.384	1.83	54000	0.5419	0.7873
0.3899	1.87	55000	0.5225	0.7974
0.3894	1.9	56000	0.5358	0.7977
0.3838	1.94	57000	0.5264	0.7988
0.3881	1.97	58000	0.5280	0.7956
0.3756	2.0	59000	0.5601	0.7969
0.3156	2.04	60000	0.5936	0.7925
0.3125	2.07	61000	0.5898	0.7938
0.3179	2.11	62000	0.5591	0.7981
0.315	2.14	63000	0.5853	0.7970
0.3122	2.17	64000	0.5802	0.7979
0.3105	2.21	65000	0.5758	0.7979
0.3076	2.24	66000	0.5685	0.7980
0.3117	2.28	67000	0.5799	0.7944
0.3108	2.31	68000	0.5742	0.7988
0.3047	2.34	69000	0.5907	0.7921
0.3114	2.38	70000	0.5723	0.7937
0.3035	2.41	71000	0.5944	0.7955
0.3129	2.45	72000	0.5838	0.7928
0.3071	2.48	73000	0.5929	0.7949
0.3061	2.51	74000	0.5794	0.7967
0.3068	2.55	75000	0.5892	0.7954
0.3053	2.58	76000	0.5796	0.7962
0.3117	2.62	77000	0.5763	0.7981
0.3062	2.65	78000	0.5852	0.7964
0.3004	2.68	79000	0.5793	0.7966
0.3146	2.72	80000	0.5693	0.7985
0.3146	2.75	81000	0.5788	0.7982
0.3079	2.79	82000	0.5726	0.7978
0.3058	2.82	83000	0.5677	0.7988
0.3055	2.85	84000	0.5701	0.7982
0.3049	2.89	85000	0.5809	0.7970
0.3044	2.92	86000	0.5741	0.7986
0.3057	2.96	87000	0.5743	0.7980
0.3081	2.99	88000	0.5771	0.7978

Framework versions

Transformers 4.12.3
Pytorch 1.10.0+cu102
Datasets 1.15.1
Tokenizers 0.10.3

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: BertForSequenceClassification
Ревизия весов: c71182e