Характеристики

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

Ссылки

Hugging Face

tiny_no_focal_v2

kktoto

Разметка токеновТекст → label3 профессии

Компактная BERT-модель для классификации токенов в тексте.

16скачиваний 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

tinynofocalv2 — компактная модель на архитектуре BERT для классификации токенов, опубликованная пользователем kktoto. Она обучена с нуля на неизвестном наборе данных и содержит 12,6 млн параметров. Модель принимает текст, а её контекст ограничен 512 токенами.

В карточке приведены результаты на наборе оценки: loss 0,1314, precision 0,7013, recall 0,6837, F1 0,6924 и accuracy 0,9522. Назначение разметки, языки и состав обучающих данных не описаны, поэтому применимость к конкретной задаче нужно проверять отдельно. Файлы модели доступны в формате PyTorch; сведения о лицензии отсутствуют.

Сценарии применения

эксперименты с разметкой токенов
оценка компактных моделей классификации токенов
прототипирование задач последовательной разметки

Ограничения

Назначение меток, языки и обучающие данные не описаны; приведённые метрики нельзя интерпретировать без сведений о наборе оценки. 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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tiny_no_focal_v2

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

Loss: 0.1314
Precision: 0.7013
Recall: 0.6837
F1: 0.6924
Accuracy: 0.9522

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
0.1574	1.0	5561	0.1471	0.6907	0.6186	0.6527	0.9462
0.1456	2.0	11122	0.1396	0.6923	0.6473	0.6690	0.9485
0.1412	3.0	16683	0.1373	0.6845	0.6705	0.6774	0.9490
0.1338	4.0	22244	0.1343	0.6988	0.6640	0.6810	0.9505
0.1311	5.0	27805	0.1342	0.6971	0.6751	0.6859	0.9510
0.1289	6.0	33366	0.1324	0.7081	0.6653	0.6860	0.9517
0.1258	7.0	38927	0.1309	0.7053	0.6731	0.6888	0.9521
0.1223	8.0	44488	0.1325	0.7001	0.6818	0.6908	0.9519
0.1213	9.0	50049	0.1316	0.7020	0.6813	0.6915	0.9522
0.1197	10.0	55610	0.1314	0.7013	0.6837	0.6924	0.9522

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: 105c02a