Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 13 июл 2022

Ссылки

Hugging Face

biobert-base-cased-v1.2_ncbi_disease-sm-first-ner

jordyvl

Разметка токеновТекст → label

Дообученная BioBERT-модель для выделения упоминаний заболеваний в биомедицинских текстах.

139скачиваний за 30 дней2лайкавеса обновлены20 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

Модель jordyvl/biobert-base-cased-v1.2_ncbi_disease-sm-first-ner — дообученная версия BioBERT от dmis-lab для распознавания заболеваний в биомедицинских текстах. Это модель архитектуры BERT с 135,5 млн параметров, рассчитанная на классификацию токенов и контекст до 512 токенов.

Модель обучена на наборе данных ncbi_disease и подходит для выделения упоминаний заболеваний в научных и медицинских текстах. В README указаны результаты на оценочной выборке: F1 0,8672, точность 0,8522 и полнота 0,8827.

Модель распространяется в формате PyTorch. Сведения о лицензии и дополнительных ограничениях применения в предоставленных данных отсутствуют.

Сценарии применения

распознавание названий заболеваний в научных статьях
извлечение упоминаний болезней из биомедицинских текстов
автоматическая разметка медицинских сущностей

Ограничения

В README приведены метрики на оценочной выборке, но не описаны ограничения и условия применения; результаты на других типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

biobert-base-cased-v1.2_ncbi_disease-sm-first-ner

This model is a fine-tuned version of dmis-lab/biobert-base-cased-v1.2 on the ncbi_disease dataset. It achieves the following results on the evaluation set:

Loss: 0.0865
Precision: 0.8522
Recall: 0.8827
F1: 0.8672
Accuracy: 0.9827

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: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0858	1.0	1359	0.0985	0.7929	0.8005	0.7967	0.9730
0.042	2.0	2718	0.0748	0.8449	0.8856	0.8648	0.9820
0.0124	3.0	4077	0.0865	0.8522	0.8827	0.8672	0.9827

Framework versions

Transformers 4.18.0
Pytorch 1.10.2+cu102
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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 7dfc679