Характеристики

Контекст: 512 токенов
Параметры: 12,6 млн
Архитектура: bert · dense
Опубликована: 23 июн 2022

Ссылки

Hugging Face

4L_weight_decay

kktoto

Разметка токеновТекст → label3 профессии

Компактная модель на основе BERT для классификации и разметки токенов в текстовых последовательностях.

11скачиваний за 30 дней0лайковвеса обновлены23 июн 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

4Lweightdecay — модель для классификации токенов на основе архитектуры BERT, обученная с нуля. В репозитории указано 12,6 млн параметров; модель принимает последовательности текста и рассчитана на контекст до 512 токенов. Карточка сообщает результаты оценки: loss 0,1312, precision 0,7006, recall 0,6863, F1 0,6934 и accuracy 0,9524.

Модель предназначена для разметки отдельных токенов, однако конкретный набор меток и целевой сценарий в карточке не описаны. Данные обучения названы неизвестными, поэтому результаты нельзя уверенно переносить на другие наборы данных. Весá опубликованы в формате PyTorch; лицензия не указана.

Сценарии применения

разметка токенов в последовательностях текста
эксперименты с классификацией токенов на основе BERT
оценка качества модели на задаче token classification

Ограничения

Целевой набор меток и назначение модели не описаны, а данные обучения неизвестны, поэтому область применимости результатов неясна. Лицензия не указана.

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 I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

4L_weight_decay

This model was trained from scratch on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1312
Precision: 0.7006
Recall: 0.6863
F1: 0.6934
Accuracy: 0.9524

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: 3e-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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.157	1.0	5561	0.1464	0.6943	0.6153	0.6524	0.9465
0.1454	2.0	11122	0.1396	0.6921	0.6491	0.6699	0.9486
0.1414	3.0	16683	0.1372	0.6841	0.6746	0.6793	0.9492
0.1335	4.0	22244	0.1339	0.6997	0.6617	0.6802	0.9505
0.1308	5.0	27805	0.1339	0.6963	0.6763	0.6862	0.9510
0.1285	6.0	33366	0.1320	0.7102	0.6639	0.6863	0.9519
0.1257	7.0	38927	0.1306	0.7031	0.6771	0.6898	0.9521
0.1222	8.0	44488	0.1324	0.7005	0.6836	0.6919	0.9522
0.1207	9.0	50049	0.1313	0.7017	0.6832	0.6923	0.9524
0.1195	10.0	55610	0.1312	0.7006	0.6863	0.6934	0.9524

Framework versions

Transformers 4.20.1
Pytorch 1.11.0+cu113
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: ee43992