Характеристики

Контекст: 512 токенов
Параметры: 12,6 млн
Архитектура: bert · dense
Опубликована: 22 июн 2022

Ссылки

Hugging Face

tiny_focal_v2_label

kktoto

Разметка токеновТекст → label3 профессии

Компактная BERT-модель для присвоения меток токенам текста.

14скачиваний за 30 дней0лайковвеса обновлены22 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

kktoto/tiny_focal_v2_label — модель токенной классификации на базе BERT, обученная разработчиком с нуля на неизвестном наборе данных. Она предназначена для присвоения меток отдельным токенам текста; конкретный тип разметки и целевая область применения не описаны. Модель содержит 12,6 млн параметров, использует PyTorch и принимает последовательности длиной до 512 токенов.

В README приведены результаты оценки: F1 0,6861, точность 0,9513, полнота 0,6747 и loss 0,0558. Эти показатели относятся к неописанной тестовой выборке, поэтому по ним нельзя судить о качестве на других данных. Лицензия в доступных сведениях не указана.

Сценарии применения

токенная разметка текста
классификация слов и фрагментов в последовательности
эксперименты с задачами token classification на собственной разметке

Ограничения

Набор данных, схема меток и целевая область не описаны, поэтому применимость и переносимость результатов оценить нельзя. На указанной тестовой выборке F1 составляет 0,6861; лицензия не приведена.

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

tiny_focal_v2_label

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

Loss: 0.0558
Precision: 0.6979
Recall: 0.6747
F1: 0.6861
Accuracy: 0.9513

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
0.0661	1.0	5561	0.0616	0.6850	0.6202	0.6510	0.9457
0.0613	2.0	11122	0.0587	0.6952	0.6351	0.6638	0.9480
0.0596	3.0	16683	0.0577	0.6814	0.6679	0.6746	0.9485
0.0555	4.0	22244	0.0567	0.6855	0.6693	0.6773	0.9492
0.0543	5.0	27805	0.0560	0.6966	0.6657	0.6808	0.9503
0.0529	6.0	33366	0.0558	0.7060	0.6587	0.6816	0.9510
0.052	7.0	38927	0.0552	0.7009	0.6662	0.6831	0.9510
0.0506	8.0	44488	0.0559	0.6921	0.6783	0.6852	0.9508
0.0501	9.0	50049	0.0556	0.6991	0.6716	0.6851	0.9512
0.0491	10.0	55610	0.0558	0.6979	0.6747	0.6861	0.9513

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: 74525b1