Характеристики

Контекст: 512 токенов
Параметры: 135 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: DeBERTa-v3-base-mnli-fever-anli
Опубликована: 2 дек 2023

Ссылки

Hugging Face

BioMedNLP_DeBERTa

hongpingjun98

Классификация текстаТекст → label3 профессии

Дообученная на sem_eval_2024_task_2 модель DeBERTa-v3-base для классификации текста.

10скачиваний за 30 дней0лайковвеса обновлены15 дек 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

hongpingjun98/BioMedNLP_DeBERTa — модель классификации текста, полученная дообучением MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli на наборе данных sem_eval_2024_task_2. Она предназначена для классификации текстовых примеров в рамках задачи SemEval 2024 Task 2; карточка не уточняет категории и целевой сценарий применения. Модель основана на архитектуре DeBERTa-v3-base с головой классификации последовательностей, содержит 135,4 млн параметров и принимает последовательности длиной до 512 токенов.

На оценочном наборе указаны accuracy 0,76, precision 0,7601, recall 0,76 и F1 0,7600. В качестве базовой модели использована англоязычная DeBERTa, поэтому основной предполагаемый язык — английский. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Сценарии применения

Классификация текстовых примеров для задачи SemEval 2024 Task 2
Оценка класса текста в пределах меток обучающей задачи
Экспериментальная оценка классификатора на английских текстах

Ограничения

В карточке не описаны целевые метки, обучающие данные и предполагаемый сценарий применения, поэтому перенос результатов на другие задачи не подтверждён. На оценочном наборе F1 составляет 0,76; контекст ограничен 512 токенами.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results2

This model is a fine-tuned version of MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli on the sem_eval_2024_task_2 dataset. It achieves the following results on the evaluation set:

Loss: 2.1827
Accuracy: 0.76
Precision: 0.7601
Recall: 0.76
F1: 0.7600

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: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 50
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.6925	1.0	107	0.6665	0.6	0.6457	0.6	0.5660
0.6729	2.0	214	0.6025	0.69	0.6964	0.69	0.6875
0.6857	3.0	321	0.6071	0.665	0.7531	0.665	0.6331
0.6667	4.0	428	0.5650	0.695	0.7157	0.6950	0.6875
0.6168	5.0	535	0.5036	0.75	0.7504	0.75	0.7499
0.5165	6.0	642	0.6248	0.67	0.6701	0.67	0.6700
0.4087	7.0	749	0.5246	0.735	0.7379	0.7350	0.7342
0.3083	8.0	856	0.6130	0.7	0.7	0.7	0.7
0.2909	9.0	963	0.7584	0.735	0.7723	0.7350	0.7256
0.319	10.0	1070	0.7350	0.72	0.7360	0.72	0.7152
0.1812	11.0	1177	0.9320	0.715	0.7176	0.7150	0.7141
0.2824	12.0	1284	0.9723	0.705	0.7336	0.7050	0.6957
0.2662	13.0	1391	0.8676	0.72	0.7222	0.72	0.7193
0.1641	14.0	1498	0.9450	0.71	0.7103	0.71	0.7099
0.2264	15.0	1605	1.1613	0.675	0.6764	0.675	0.6743
0.2077	16.0	1712	1.3497	0.715	0.7214	0.7150	0.7129
0.1767	17.0	1819	1.4154	0.705	0.7075	0.7050	0.7041
0.1751	18.0	1926	1.2369	0.735	0.7350	0.735	0.7350
0.1195	19.0	2033	1.1152	0.72	0.7334	0.72	0.7159
0.0507	20.0	2140	1.4853	0.715	0.7152	0.715	0.7149
0.0544	21.0	2247	1.7174	0.725	0.7302	0.7250	0.7234
0.0648	22.0	2354	1.7327	0.71	0.7121	0.71	0.7093
0.0039	23.0	2461	1.8211	0.725	0.7268	0.7250	0.7244
0.0153	24.0	2568	1.8315	0.715	0.7176	0.7150	0.7141
0.0017	25.0	2675	1.7446	0.72	0.7232	0.72	0.7190
0.0188	26.0	2782	1.6413	0.72	0.7274	0.72	0.7177
0.0168	27.0	2889	1.8013	0.73	0.7315	0.73	0.7296
0.0355	28.0	2996	2.0405	0.725	0.7354	0.725	0.7219
0.0168	29.0	3103	1.5087	0.735	0.7350	0.735	0.7350
0.0409	30.0	3210	1.5272	0.72	0.7244	0.72	0.7186
0.004	31.0	3317	1.9978	0.715	0.7214	0.7150	0.7129
0.0002	32.0	3424	1.9760	0.72	0.7244	0.72	0.7186
0.0111	33.0	3531	1.9985	0.74	0.7409	0.74	0.7398
0.052	34.0	3638	1.9607	0.73	0.7334	0.73	0.7290
0.0263	35.0	3745	1.7118	0.75	0.7525	0.75	0.7494
0.0101	36.0	3852	1.9553	0.755	0.7571	0.755	0.7545
0.0001	37.0	3959	2.0064	0.75	0.7537	0.75	0.7491
0.0186	38.0	4066	2.1726	0.74	0.7404	0.74	0.7399
0.0046	39.0	4173	2.1083	0.755	0.7550	0.755	0.7550
0.0042	40.0	4280	1.9944	0.76	0.7609	0.76	0.7598
0.0178	41.0	4387	2.0096	0.76	0.7604	0.76	0.7599
0.0089	42.0	4494	2.0431	0.765	0.7652	0.765	0.7649
0.0095	43.0	4601	2.0662	0.76	0.7604	0.76	0.7599
0.0162	44.0	4708	2.1703	0.745	0.7450	0.745	0.7450
0.0001	45.0	4815	2.1525	0.76	0.7601	0.76	0.7600
0.0001	46.0	4922	2.1581	0.76	0.7601	0.76	0.7600
0.0086	47.0	5029	2.1665	0.76	0.7601	0.76	0.7600
0.0088	48.0	5136	2.1747	0.76	0.7601	0.76	0.7600
0.0044	49.0	5243	2.1812	0.76	0.7601	0.76	0.7600
0.0043	50.0	5350	2.1827	0.76	0.7601	0.76	0.7600

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: 8dae3f8