Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 11 дек 2024

Ссылки

Hugging Face

my_awesome_model_3

gavinqiangli

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста.

8скачиваний за 30 дней0лайковвеса обновлены11 дек 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

my_awesome_model_3 — дообученная версия DistilBERT, разработанная владельцем репозитория gavinqiangli и предназначенная для классификации текстов. В метаданных указаны архитектура DistilBertForSequenceClassification, формат весов Safetensors, максимальная длина контекста 512 токенов и лицензия Apache-2.0. Модель принимает текст и выдаёт метку или класс текста.

В README приведены результаты оценки: accuracy 0,9405 и loss 0,1559. Датасет, набор классов и конкретная область применения не описаны, поэтому эти результаты нельзя считать гарантией качества на других данных.

Сценарии применения

классификация текстовых сообщений по категориям
автоматическая разметка текстов по классам
классификация пользовательских запросов

Ограничения

Датасет, метки классов и целевая область применения не описаны. Указанные метрики получены на оценочном наборе и не гарантируют качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model_3

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

Loss: 0.1559
Accuracy: 0.9405

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: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2588	1.0	1000	0.2015	0.9235
0.1515	2.0	2000	0.1559	0.9405

Framework versions

Transformers 4.46.3
Pytorch 2.5.1+cu121
Datasets 3.2.0
Tokenizers 0.20.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 94a1451