Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Базовая модель: biobert-v1.1
Опубликована: 2 янв 2024

Ссылки

Hugging Face

BioBERT_BC5CDR_NER_new

judithrosell

Разметка токеновТекст → label3 профессии

Дообученная BioBERT-модель для распознавания биомедицинских сущностей в тексте.

90скачиваний за 30 дней0лайковвеса обновлены2 янв 2024

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

BioBERT_BC5CDR_NER_new — дообученная модель на базе dmis-lab/biobert-v1.1 для распознавания сущностей в биомедицинском тексте. Она использует архитектуру BERT и решает задачу классификации токенов; размер модели — 135,5 млн параметров, максимальный контекст — 512 токенов. Карточка сообщает метрики на оценочной выборке: F1 0,9737, точность 0,9749 и полнота 0,9725.

Модель предназначена для извлечения и разметки биомедицинских сущностей в англоязычных текстах. Данные обучения в карточке обозначены как None, поэтому конкретный набор сущностей и состав датасета установить нельзя. Репозиторий использует формат safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Сценарии применения

поиск биомедицинских сущностей в научных статьях
разметка упоминаний заболеваний и химических соединений
извлечение сущностей из биомедицинских текстов

Ограничения

Карточка не описывает набор распознаваемых сущностей и данные обучения; датасет указан как None. Метрики приведены для оценочной выборки без дополнительных сведений о её составе.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BioBERT_BC5CDR_NER_new

This model is a fine-tuned version of dmis-lab/biobert-v1.1 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0848
Precision: 0.9749
Recall: 0.9725
F1: 0.9737
Accuracy: 0.9744

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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	286	0.0832	0.9713	0.9695	0.9704	0.9717
0.1201	2.0	572	0.0800	0.9738	0.9714	0.9726	0.9737
0.1201	3.0	858	0.0848	0.9749	0.9725	0.9737	0.9744

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

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: 67f6459