/ Модель

Характеристики

Контекст
512 токенов
Параметры
14,1 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
xtremedistil-l6-h256-uncased
Опубликована
20 июл 2022

topic_classification_04

Классификация текстаТекст → label6 профессий

Компактная дообученная BERT-модель для классификации англоязычных текстов по темам.

32скачиваний за 30 дней27лайковвеса обновлены13 сен 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

jonaskoenig/topic_classification_04 — дообученная модель Microsoft XtremeDistil на базе microsoft/xtremedistil-l6-h256-uncased для классификации текста по категориям. Это компактная BERT-модель с 14,1 млн параметров, принимающая текстовые последовательности длиной до 512 токенов. Карточка сообщает о дообучении на неизвестном наборе данных; в оценке указана разреженная категориальная точность 0,7237 на девятой эпохе.

Базовая модель предназначена для английского текста, поэтому модель подходит для тематической классификации англоязычных текстов, но качество на других языках не подтверждено. Лицензия — MIT.

Сценарии применения

  • определение темы короткого текста
  • разметка англоязычных текстов по категориям
  • автоматическая сортировка текстовых обращений по тематике

Ограничения

Данные обучения не описаны, а приведённый результат оценки не раскрывает состав классов или методику проверки. Поддержка языков помимо английского и качество на них не подтверждены.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

topic_classification_04

This model is a fine-tuned version of microsoft/xtremedistil-l6-h256-uncased on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.8325
  • Train Sparse Categorical Accuracy: 0.7237
  • Epoch: 9

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:

  • optimizer: {'name': 'Adam', 'learning_rate': 5e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False}
  • training_precision: float32

Training results

Train LossTrain Sparse Categorical AccuracyEpoch
1.07350.65030
0.97420.67991
0.94240.69002
0.91990.69703
0.90160.70264
0.88530.70735
0.87070.71206
0.85780.71607
0.84480.71998
0.83250.72379

Framework versions

  • Transformers 4.20.1
  • TensorFlow 2.9.1
  • 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

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForSequenceClassification
Ревизия весов
e4fb1c9

0 моделей