Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Базовая модель: twitter-roberta-base-sentiment
Опубликована: 13 июл 2023

Ссылки

Hugging Face

covid-tweet-sentimental-Analysis-roberta

gyesibiney

Классификация текстаТекст → label3 профессии

Дообученная RoBERTa для классификации тональности коротких текстов о COVID-19.

22скачиваний за 30 дней0лайковвеса обновлены1 сен 2023

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

gyesibiney/covid-tweet-sentimental-Analysis-roberta — дообученная модель Cardiff NLP twitter-roberta-base-sentiment для классификации тональности коротких текстов о COVID-19. Она использует архитектуру RoBERTa для последовательной классификации и содержит 151,8 млн параметров; максимальный контекст составляет 514 токенов. Репозиторий создан 13 июля 2023 года.

Модель предназначена для определения тональности сообщений о COVID-19, например публикаций в социальных сетях. В README указаны результаты оценки: accuracy 0,7107 и loss 0,6957. Данные обучения названы неизвестным набором, поэтому нельзя оценить его состав и репрезентативность. Лицензия в предоставленных данных не указана.

Сценарии применения

определение тональности твитов о COVID-19
анализ отношения пользователей к мерам против COVID-19
мониторинг тональности публикаций о пандемии
классификация коротких сообщений о COVID-19

Ограничения

На оценочном наборе указаны accuracy 0,7107 и loss 0,6957; состав и характеристики обучающего набора не раскрыты. Языком базовой модели является английский; лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test_trainer

This model is a fine-tuned version of cardiffnlp/twitter-roberta-base-sentiment on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.6957
Accuracy: 0.7107

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: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.8279	0.52	500	0.8843	0.6755
0.7718	1.04	1000	0.7864	0.6786
0.739	1.55	1500	0.7484	0.6982
0.7014	2.07	2000	0.7300	0.7039
0.6634	2.59	2500	0.6957	0.7107

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.13.1
Tokenizers 0.13.3

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: RobertaForSequenceClassification
Ревизия весов: 1d629c4