Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense

Ссылки

Hugging Face

bert-base-uncased-yahoo_answers_topics

fabriceyhc

Классификация текстаТекст → label4 профессии

Дообученная англоязычная BERT-модель для классификации текстов по темам Yahoo Answers.

147скачиваний за 30 дней2лайкавеса обновлены21 сен 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

Модель fabr iceyhc/bert-base-uncased-yahoo_answers_topics — дообученная версия BERT base uncased для классификации текстов по темам набора Yahoo Answers Topics. Она принимает текст и относит его к тематической категории; опубликованный результат на оценочной выборке — точность 0,7499 при значении loss 0,8092. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов.

Модель подходит для тематической сортировки вопросов и ответов, похожих на данные Yahoo Answers. Карточка не описывает категории, обучение и ограничения подробнее. Базовая модель ориентирована на английский текст. Лицензия — Apache-2.0.

Сценарии применения

классификация вопросов Yahoo Answers по тематическим категориям
автоматическая тематическая сортировка англоязычных вопросов и ответов
определение тематики коротких пользовательских сообщений

Ограничения

На оценочной выборке точность составляет 0,7499; результат на других данных может отличаться. Контекст ограничен 512 токенами, а карточка не приводит подробностей о классах и ограничениях применения.

Для каких профессий подходит4

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.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-yahoo_answers_topics

This model is a fine-tuned version of bert-base-uncased on the yahoo_answers_topics dataset. It achieves the following results on the evaluation set:

Loss: 0.8092
Accuracy: 0.7499

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: 5e-05
train_batch_size: 8
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 86625
training_steps: 866250

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
2.162	0.01	2000	1.7444	0.5681
1.3126	0.02	4000	1.0081	0.7054
0.9592	0.03	6000	0.9021	0.7234
0.8903	0.05	8000	0.8827	0.7276
0.8685	0.06	10000	0.8540	0.7341
0.8422	0.07	12000	0.8547	0.7365
0.8535	0.08	14000	0.8264	0.7372
0.8178	0.09	16000	0.8331	0.7389
0.8325	0.1	18000	0.8242	0.7411
0.8181	0.12	20000	0.8356	0.7437
0.8171	0.13	22000	0.8090	0.7451
0.8092	0.14	24000	0.8469	0.7392
0.8057	0.15	26000	0.8185	0.7478
0.8085	0.16	28000	0.8090	0.7467
0.8229	0.17	30000	0.8225	0.7417
0.8151	0.18	32000	0.8262	0.7419
0.81	0.2	34000	0.8149	0.7383
0.8073	0.21	36000	0.8225	0.7441
0.816	0.22	38000	0.8037	0.744
0.8217	0.23	40000	0.8409	0.743
0.82	0.24	42000	0.8286	0.7385
0.8101	0.25	44000	0.8282	0.7413
0.8254	0.27	46000	0.8170	0.7414

Framework versions

Transformers 4.10.2
Pytorch 1.7.1
Datasets 1.6.1
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: 968176f