/ Модель

Характеристики

Контекст
512 токенов
Параметры
14,1 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
4 июл 2022

xtremedistil-l6-h384-uncased-future-time-references

Классификация текстаТекст → label3 профессии

Компактная BERT-модель для классификации текста с контекстом до 512 токенов.

16скачиваний за 30 дней0лайковвеса обновлены10 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

jonaskoenig/xtremedistil-l6-h384-uncased-future-time-references — модель классификации текста на базе архитектуры BERT. В метаданных указаны 14,1 млн параметров, ограничение контекста в 512 токенов и формат TensorFlow; модель опубликована под лицензией MIT.

Карточка не описывает целевую классификацию, обучающие данные, языки или качество. Поэтому назначение модели можно определить только в общих терминах: она принимает текст и выдаёт результат классификации. README не содержит дополнительных сведений о сценариях применения или ограничениях.

Сценарии применения

  • классификация текста по заданным категориям
  • определение метки для короткого текстового фрагмента
  • встраивание классификатора текста в приложение на TensorFlow

Ограничения

Карточка не уточняет метки классов, обучающие данные, языки и метрики качества, поэтому пригодность для конкретной задачи нужно проверять отдельно.

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

xtremedistil-l6-h384-uncased-future-time-references

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: 0.0279
  • Train Binary Crossentropy: 0.4809
  • 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': 3e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False}
  • training_precision: float32

Training results

Train LossTrain Binary CrossentropyEpoch
0.04870.64010
0.03480.59251
0.03190.53932
0.03060.51683
0.02980.50454
0.02920.49705
0.02880.49166
0.02840.48787
0.02820.48368
0.02790.48099

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
abe5e66

0 моделей