Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 24 сен 2022

Ссылки

Hugging Face

BERT-tiny-sst2

gokuls

Классификация текстаТекст → label3 профессии

Компактная англоязычная BERT-модель для классификации тональности текстов SST-2.

9 698скачиваний за 30 дней0лайковвеса обновлены24 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

gokuls/BERT-tiny-sst2 — компактная модель классификации последовательностей на архитектуре BERT, дообученная на базе google/bert_uncased_L-2_H-128_A-2 на наборе GLUE. Модель предназначена для классификации текста, в частности тональности коротких англоязычных отзывов SST-2. Она содержит 4,4 млн параметров и обрабатывает последовательности длиной до 512 токенов.

На оценочной выборке указаны accuracy 0,8372 и loss 0,4422. Модель работает с текстом и выдаёт метку класса; карточка не уточняет конкретные метки и дополнительные сценарии применения. Лицензия — Apache-2.0.

Сценарии применения

определение тональности короткого отзыва
классификация англоязычных предложений по тональности
оценка тональности текста в демонстрационных NLP-приложениях

Ограничения

В описанной оценке на наборе GLUE указана точность 0,8372; это значение не гарантирует аналогичного качества на других данных. Карточка не сообщает подробности о метках классов и ограничениях применения.

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 III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BERT-tiny-sst2

This model is a fine-tuned version of google/bert_uncased_L-2_H-128_A-2 on the glue dataset. It achieves the following results on the evaluation set:

Loss: 0.4422
Accuracy: 0.8372

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: 16
eval_batch_size: 16
seed: 33
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 50
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.3914	1.0	4210	0.4383	0.8211
0.2577	2.0	8420	0.4422	0.8372
0.212	3.0	12630	0.5460	0.8085
0.1862	4.0	16840	0.5885	0.8245
0.1671	5.0	21050	0.7159	0.8096

Framework versions

Transformers 4.22.1
Pytorch 1.12.1+cu113
Datasets 2.5.1
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: 33bed21