/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
4,4 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
23 июл 2022

Ссылки

Hugging Face

tiny-bert-sst2-distilled

ilana
Классификация текстаТекст → label3 профессии

Компактная англоязычная BERT-модель для классификации тональности коротких текстов в задаче SST-2.

65скачиваний за 30 дней0лайковвеса обновлены23 июл 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

ilana/tiny-bert-sst2-distilled — компактная модель классификации текста, созданная дообучением google/bert_uncased_L-2_H-128_A-2 на наборе GLUE. Она использует архитектуру BERT для классификации последовательностей и содержит 4,4 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности коротких англоязычных текстов в задаче SST-2.

На оценочной выборке указана точность 0,7477 после одного этапа обучения. Компактный размер может быть полезен для сценариев с ограниченными ресурсами, однако приведённый результат указывает на заметные ограничения качества. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Определение положительной или отрицательной тональности отзывов
  • Классификация тональности коротких сообщений на английском языке
  • Быстрая фильтрация англоязычных текстов по тональности на устройствах с ограниченными ресурсами

Ограничения

Точность на оценочной выборке GLUE составляет 0,7477, поэтому предсказания могут быть ненадёжными. Модель дообучена для SST-2 и не подтверждена для других языков или задач.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594моделиIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

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. It achieves the following results on the evaluation set:

  • eval_loss: 3.0017
  • eval_accuracy: 0.7477
  • eval_runtime: 0.3985
  • eval_samples_per_second: 2188.296
  • eval_steps_per_second: 17.567
  • epoch: 1.0
  • step: 527

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: 6.708803333901887e-05
  • 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: 10
  • mixed_precision_training: Native AMP

Framework versions

  • Transformers 4.20.1
  • Pytorch 1.11.0
  • Datasets 2.3.2
  • 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
c0613a0

0 моделей

    Создать бенчмарк