/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Опубликована
5 янв 2024

distilbert-foundation-category-c6

Классификация текстаТекст → label7 профессий

Дообученная DistilBERT для классификации текста по категориям.

9скачиваний за 30 дней0лайковвеса обновлены5 янв 2024

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

eric-mc2/distilbert-foundation-category-c6 — дообученная модель DistilBERT для классификации текста по категориям. В метаданных указана архитектура DistilBertForSequenceClassification и базовая модель distilbert/distilbert-base-uncased. Модель принимает текст и выдаёт метку класса; README сообщает точность 0,9226 и loss 0,3598 на оценочной выборке, но не описывает сами категории и датасет. Контекст составляет 512 токенов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • присвоение тексту категории
  • классификация коротких сообщений по темам
  • автоматическая категоризация текстовых записей

Ограничения

README не раскрывает набор категорий и данные обучения, поэтому назначение классов и применимость к конкретным текстам неясны. Заявленная метрика относится только к неописанной оценочной выборке.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-foundation-category-c6

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3598
  • Accuracy: 0.9226

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: 5

Training results

Training LossEpochStepValidation LossAccuracy
0.40481.08730.26980.9220
0.21172.017460.29950.9246
0.15593.026190.29970.9265
0.12974.034920.33660.9220
0.09325.043650.35980.9226

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0+cu121
  • Datasets 2.16.1
  • Tokenizers 0.15.0

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
DistilBertForSequenceClassification
Ревизия весов
068a5e1

0 моделей