Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 4 сен 2022

Ссылки

Hugging Face

mnist-digit-classification-2022-09-04

farleyknight

Классификация изображенийИзображение → label3 профессии

Дообученный ViT для классификации рукописных цифр MNIST на изображениях.

68скачиваний за 30 дней0лайковвеса обновлены4 сен 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

Модель farleyknight/mnist-digit-classification-2022-09-04 — дообученная версия vision-трансформера ViT-Base/Patch16-224, созданная на основе google/vit-base-patch16-224-in21k для классификации изображений MNIST. Она распознаёт рукописные цифры от 0 до 9; на тестовой выборке указана точность 99,23% и значение loss 0,0319. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch.

Модель предназначена для распознавания цифр на изображениях, учебных и экспериментальных задач компьютерного зрения. Лицензия — Apache-2.0. Карточка не описывает ограничения и условия оценки подробнее, поэтому заявленная точность относится только к указанной выборке MNIST.

Сценарии применения

распознавание рукописных цифр на изображениях
классификация цифр MNIST от 0 до 9
учебные эксперименты с vision-трансформерами

Ограничения

Заявленная точность 99,23% относится к оценочной выборке MNIST; сведений о качестве на других наборах данных нет.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mnist-digit-classification-2022-09-04

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the mnist dataset. It achieves the following results on the evaluation set:

Loss: 0.0319
Accuracy: 0.9923

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: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5.0

Training results

Framework versions

Transformers 4.22.0.dev0
Pytorch 1.12.1+cu102
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 · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: c8e8269