Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

bert-finetuned-ner

huggingface-course

Разметка токеновТекст → label7 профессий

Дообученная на CoNLL-2003 модель BERT для распознавания именованных сущностей в тексте.

73скачиваний за 30 дней19лайковвеса обновлены5 дек 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

Модель huggingface-course/bert-finetuned-ner — версия BERT, дообученная на наборе CoNLL-2003 для разметки именованных сущностей в тексте. Она выполняет классификацию токенов и подходит для извлечения сущностей из предложений и документов. В README указаны результаты на оценочной выборке: F1 0,9433, точность 0,9355 и полнота 0,9514. Модель содержит 135,5 млн параметров, использует архитектуру BERT и обрабатывает последовательности длиной до 512 токенов; доступны форматы PyTorch и TensorFlow.

Лицензия — Apache-2.0. README не описывает назначение меток, языки обучающих данных и ограничения качества за пределами оценки на CoNLL-2003.

Сценарии применения

извлечение имен и организаций из новостных текстов
поиск географических названий в документах
автоматическая разметка сущностей в предложениях
подготовка текстов к последующему поиску и анализу

Ограничения

Оценочные метрики приведены только для CoNLL-2003, поэтому качество на других доменах и языках не установлено. Контекст ограничен 512 токенами.

Для каких профессий подходит7

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test-bert-finetuned-ner

This model is a fine-tuned version of bert-base-cased on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.0600
Precision: 0.9355
Recall: 0.9514
F1: 0.9433
Accuracy: 0.9868

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: 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	Precision	Recall	F1	Accuracy
0.0849	1.0	1756	0.0713	0.9144	0.9366	0.9253	0.9817
0.0359	2.0	3512	0.0658	0.9346	0.9500	0.9422	0.9860
0.0206	3.0	5268	0.0600	0.9355	0.9514	0.9433	0.9868

Framework versions

Transformers 4.11.0.dev0
Pytorch 1.8.1+cu111
Datasets 1.12.1.dev0
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: BertForTokenClassification
Ревизия весов: eeb2784