Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-ingredients

harr

Разметка токеновТекст → label3 профессии

Дообученная DistilBERT-модель размечает токены в текстах об ингредиентах.

12скачиваний за 30 дней5лайковвеса обновлены11 сен 2021

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

Это модель DistilBERT для классификации токенов, созданная дообучением distilbert-base-uncased на наборе ingredients_yes_no. Она предназначена для разметки токенов в задачах, связанных с ингредиентами. В README приведены результаты на оценочном наборе: F1 0,9915, точность 0,9978, precision 0,9899 и recall 0,9932.

Модель построена на архитектуре DistilBERT, принимает текст и выдаёт метки токенов. Максимальная длина контекста — 512 токенов. Опубликована в формате PyTorch по лицензии Apache-2.0. Языковые сведения сверх английского, указанного в названии базовой модели, в источниках не подтверждены.

Сценарии применения

разметка токенов, связанных с ингредиентами
классификация ингредиентов в текстах

Ограничения

Заявленные метрики получены на оценочном наборе ingredients_yes_no и могут не переноситься на другие данные. README не уточняет схему меток и подробные сценарии применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-ingredients

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

Loss: 0.0105
Precision: 0.9899
Recall: 0.9932
F1: 0.9915
Accuracy: 0.9978

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: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	47	0.2783	0.4	0.5492	0.4629	0.8910
No log	2.0	94	0.1089	0.8145	0.8780	0.8450	0.9718
No log	3.0	141	0.0273	0.9865	0.9932	0.9899	0.9973
No log	4.0	188	0.0168	0.9865	0.9932	0.9899	0.9973
No log	5.0	235	0.0156	0.9865	0.9898	0.9882	0.9957
No log	6.0	282	0.0129	0.9865	0.9932	0.9899	0.9973
No log	7.0	329	0.0121	0.9899	0.9932	0.9915	0.9978
No log	8.0	376	0.0115	0.9899	0.9932	0.9915	0.9978
No log	9.0	423	0.0108	0.9899	0.9932	0.9915	0.9978
No log	10.0	470	0.0105	0.9899	0.9932	0.9915	0.9978

Framework versions

Transformers 4.10.2
Pytorch 1.9.0+cu102
Datasets 1.11.0
Tokenizers 0.10.3

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 4d04310