Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 18 авг 2022

Ссылки

Hugging Face

tiny-bert-sst2-distilled

ibrahim2030

Классификация текстаТекст → label3 профессии

Компактная дообученная модель BERT для классификации текста, в частности определения тональности по SST-2.

17скачиваний за 30 дней0лайковвеса обновлены18 авг 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

tiny-bert-sst2-distilled — компактная модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе GLUE. В качестве основы указана google/bert_uncased_L-2_H-128_A-2; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов.

Модель предназначена для классификации текста. Название репозитория указывает на задачу SST-2 — определение тональности отзывов, однако README не содержит подробностей о настройке и результатах оценки. Репозиторий создан в 2022 году, веса представлены в формате PyTorch.

Модель распространяется по лицензии Apache-2.0. Компактный размер делает её подходящей для экспериментов и сценариев, где важны небольшие вычислительные затраты; качество и ограничения применения в карточке не описаны.

Сценарии применения

определение тональности короткого отзыва
классификация текстов по заданным категориям
эксперименты с компактной моделью классификации

Ограничения

README не приводит метрики качества, детали обучения или конкретные ограничения; пригодность для языков помимо английского не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tiny-bert-sst2-distilled

This model is a fine-tuned version of google/bert_uncased_L-2_H-128_A-2 on the glue dataset.

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: 0.00013131868851033734
train_batch_size: 128
eval_batch_size: 128
seed: 33
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8
mixed_precision_training: Native AMP

Framework versions

Transformers 4.21.1
Pytorch 1.12.1+cu113
Datasets 2.4.0
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: 9bc8867