/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
mdebertaV3_BIES_stem_1K_4
Опубликована
2 авг 2024

mdebertaV3_BIES_stem_1K_5

Разметка токеновТекст → label4 профессии

Дообученная DeBERTa V2 для классификации токенов в текстовых последовательностях.

9скачиваний за 30 дней0лайковвеса обновлены2 авг 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

Модель khadija69/mdebertaV3_BIES_stem_1K_5 — дообученная версия khadija69/mdebertaV3_BIES_stem_1K_4 для классификации токенов. Она использует архитектуру DeBERTa V2 с головой DebertaV2ForTokenClassification, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса в формате TensorFlow.

Модель предназначена для присвоения меток отдельным токенам текста; конкретная схема разметки и область применения в карточке не описаны. В README указаны результаты пятой эпохи: точность 0,6041 на обучающей и 0,5769 на валидационной выборке. Модель распространяется по лицензии MIT.

Сценарии применения

  • разметка токенов по заданным классам
  • извлечение сущностей из текста
  • классификация частей текстовой последовательности

Ограничения

Схема меток, обучающий датасет и конкретная область применения не описаны. В README приведена валидационная точность 0,5769.

Для каких профессий подходит4

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

khadija69/mdebertaV3_BIES_stem_1K_5

This model is a fine-tuned version of khadija69/mdebertaV3_BIES_stem_1K_4 on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.3639
  • Train Accuracy: 0.6041
  • Validation Loss: 0.6764
  • Validation Accuracy: 0.5769
  • Epoch: 5

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': 'AdamWeightDecay', 'learning_rate': {'module': 'transformers.optimization_tf', 'class_name': 'WarmUp', 'config': {'initial_learning_rate': 2e-05, 'decay_schedule_fn': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 1300, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'warmup_steps': 500, 'power': 1.0, 'name': None}, 'registered_name': 'WarmUp'}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossTrain AccuracyValidation LossValidation AccuracyEpoch
0.62080.55810.63830.57640
0.57890.56350.63000.57631
0.50690.57710.63860.57432
0.43990.59010.65500.57363
0.39700.59740.66340.57874
0.36390.60410.67640.57695

Framework versions

  • Transformers 4.42.3
  • TensorFlow 2.15.0
  • Datasets 2.20.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
87888af

0 моделей