/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Архитектура
roberta · dense
Опубликована
2 мар 2022

EsperBERTo-small-pos

Разметка токеновТекст → label3 профессии

Модель на основе RoBERTa для классификации и разметки токенов в текстах на эсперанто.

46скачиваний за 30 дней1лайквеса обновлены29 июн 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

EsperBERTo-small-pos — модель для разметки токенов на основе архитектуры RoBERTa, обученной на эсперанто. Карточка называет её дополнительной моделью к публикации в блоге. Модель содержит 96,6 млн параметров и принимает последовательности длиной до 514 токенов.

Модель предназначена для задач классификации токенов, например разметки частей речи в тексте на эсперанто. Доступны версии весов PyTorch, Flax, ONNX и Safetensors. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • разметка частей речи в тексте на эсперанто
  • классификация токенов в эсперантских текстах
  • анализ последовательностей на эсперанто

Ограничения

Контекст ограничен 514 токенами. Предоставленные сведения не описывают качество модели и условия лицензирования.

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

EsperBERTo: RoBERTa-like Language model trained on Esperanto

Companion model to blog post https://huggingface.co/blog/how-to-train 🔥

Training Details

  • current checkpoint: 566000
  • machine name: galinette

Example pipeline

from transformers import TokenClassificationPipeline, pipeline


MODEL_PATH = "./models/EsperBERTo-small-pos/"

nlp = pipeline(
    "ner",
    model=MODEL_PATH,
    tokenizer=MODEL_PATH,
)
# or instantiate a TokenClassificationPipeline directly.

nlp("Mi estas viro kej estas tago varma.")

# {'entity': 'PRON', 'score': 0.9979867339134216, 'word': ' Mi'}
# {'entity': 'VERB', 'score': 0.9683094620704651, 'word': ' estas'}
# {'entity': 'VERB', 'score': 0.9797462821006775, 'word': ' estas'}
# {'entity': 'NOUN', 'score': 0.8509314060211182, 'word': ' tago'}
# {'entity': 'ADJ', 'score': 0.9996201395988464, 'word': ' varma'}

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
RobertaForTokenClassification
Ревизия весов
592b15e

0 моделей