/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
30 мая 2022

sarcasm-detection-RoBerta-base-CR

Классификация текстаТекст → label3 профессии

Дообученная на базе RoBERTa модель для классификации текста и выявления сарказма.

18скачиваний за 30 дней1лайквеса обновлены30 мая 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

sarcasm-detection-RoBerta-base-CR — дообученная модель классификации текста на базе roberta-base. Она предназначена для определения сарказма в тексте. Архитектура — RoBERTa с классификационной головой, размер — 151,8 млн параметров, максимальный контекст — 514 токенов.

В карточке указана точность 0,726 и значение loss 3,024 на наборе оценки; обучающий датасет не описан. Модель распространяется в формате PyTorch по лицензии MIT. Язык данных и область применения в карточке не указаны.

Сценарии применения

  • выявление саркастичных сообщений
  • классификация комментариев по наличию сарказма
  • анализ тональности публикаций с учётом сарказма

Ограничения

В карточке приведены точность 0,726 и loss 3,024, но не описаны датасет и условия оценки. Язык и ограничения по тематике данных не указаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sarcasm-detection-RoBerta-base-CR

This model is a fine-tuned version of roberta-base on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 3.0240
  • Accuracy: 0.726

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: 50

Training results

Framework versions

  • Transformers 4.19.2
  • Pytorch 1.11.0+cu113
  • Datasets 2.2.2
  • 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
RobertaForSequenceClassification
Ревизия весов
2c536ba

0 моделей