Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 6 июн 2022

Ссылки

Hugging Face

pretrain1

fcx-kilig

Классификация текстаТекст → label3 профессии

Дообученная на неизвестном датасете модель BERT для классификации текста по классам.

17скачиваний за 30 дней0лайковвеса обновлены20 июн 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

pretrain1 — модель классификации текста на базе BERT, дообученная авторами репозитория fcx-kilig на неизвестном датасете. Она предназначена для отнесения текста к классам и может использоваться в задачах, где требуется классификация последовательностей. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и имеет контекст до 512 токенов.

В README приведены результаты на оценочной выборке: accuracy 0,7783 и loss 1,0888. Названия классов и состав выборки не раскрыты, поэтому эти оценки не позволяют определить качество для конкретной прикладной задачи. Базовая модель — bert-base-uncased; лицензия — Apache-2.0.

Сценарии применения

классификация текста по заданным классам
автоматическая категоризация коротких текстов
классификация последовательностей в NLP-конвейере

Ограничения

Датасет, набор классов и целевая область не описаны, поэтому опубликованные метрики нельзя переносить на конкретные задачи. Контекст ограничен 512 токенами.

Для каких профессий подходит3

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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pretrain1

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

Loss: 1.0888
Accuracy: 0.7783

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: 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: 6.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	92	0.4934	0.7563
No log	2.0	184	0.5083	0.7783
No log	3.0	276	0.8579	0.7767
No log	4.0	368	0.9096	0.7814
No log	5.0	460	1.1022	0.7657
0.2079	6.0	552	1.0888	0.7783

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu102
Datasets 2.2.2
Tokenizers 0.12.1

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: 32b5f0e