Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Архитектура: bert · dense
Опубликована: 18 ноя 2023

Ссылки

tiny-bert-sst2-distilled_qat_test

Классификация текстаТекст → label

Компактная BERT-модель для классификации текста, дообученная на GLUE и пригодная для экспериментов с анализом тональности.

7скачиваний за 30 дней0лайковвеса обновлены18 ноя 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

jysh1023/tiny-bert-sst2-distilled_qat_test — дообученная на наборе GLUE модель классификации последовательностей на базе BERT. В метаданных указаны 4,4 млн параметров и контекст до 512 токенов; модель сохранена в формате PyTorch. README сообщает о дообучении в течение одной эпохи и точности 0,7775 на оценочной выборке.

Модель предназначена для классификации текста; название репозитория и использование SST-2 указывают на задачу анализа тональности коротких текстов, например отзывов. Подробности об обучающих данных, целевых метках и предполагаемых сценариях применения в карточке не раскрыты. Лицензия не указана в предоставленных данных.

Сценарии применения

классификация тональности коротких отзывов
определение позитивной или негативной окраски текста
оценка качества компактной модели классификации

Ограничения

На оценочной выборке README указана точность 0,7775; перенос на другие данные и языки не подтверждён. Карточка не описывает метки, обучающую выборку подробнее или условия лицензии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tiny-bert-sst2-distilled_qat_test

This model is a fine-tuned version of jysh1023/tiny-bert-sst2-distilled_qat_test on the glue dataset. It achieves the following results on the evaluation set:

eval_loss: 1.1017
eval_accuracy: 0.7775
eval_runtime: 0.1618
eval_samples_per_second: 5390.016
eval_steps_per_second: 43.268
epoch: 1.0
step: 527

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: 4.3501969464061515e-05
train_batch_size: 128
eval_batch_size: 128
seed: 33
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5
mixed_precision_training: Native AMP

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: b598899