Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-base-portuguese-cased
Опубликована: 20 мар 2024

Ссылки

Hugging Face

NER_harem_bert-base-portuguese-cased

liaad

Разметка токеновТекст → label7 профессий

Дообученная BERT-модель для распознавания именованных сущностей в португальских текстах.

441скачиваний за 30 дней0лайковвеса обновлены20 мар 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

liaad/NER_harem_bert-base-portuguese-cased — модель для распознавания именованных сущностей, дообученная разработчиком на наборе данных HAREM на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT для классификации токенов и предназначена для разметки сущностей в текстах на португальском языке.

В карточке приведены результаты на оценочной выборке: F1 0,7106, точность (precision) 0,6853, полнота (recall) 0,7378 и accuracy 0,9522. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Распространяется по лицензии MIT.

Сценарии применения

извлечение именованных сущностей из португальских документов
разметка персон, организаций и других сущностей в тексте
подготовка португальских текстов для последующего поиска и анализа

Ограничения

На оценочной выборке F1 составляет 0,7106; качество может различаться в зависимости от текстов и используемой схемы разметки. Карточка не уточняет категории сущностей и ограничения обучающих данных.

Для каких профессий подходит7

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NER_harem_bert-base-portuguese-cased

This model is a fine-tuned version of neuralmind/bert-base-portuguese-cased on the harem dataset. It achieves the following results on the evaluation set:

Loss: 0.2351
Precision: 0.6853
Recall: 0.7378
F1: 0.7106
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: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 300

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	16	0.7692	0.0	0.0	0.0	0.8358
No log	2.0	32	0.4831	0.3140	0.2731	0.2921	0.8790
No log	3.0	48	0.3405	0.4692	0.4897	0.4793	0.9119
No log	4.0	64	0.2747	0.5481	0.6156	0.5799	0.9340
No log	5.0	80	0.2282	0.6077	0.6758	0.6399	0.9443
No log	6.0	96	0.2145	0.6267	0.6892	0.6565	0.9479
No log	7.0	112	0.2223	0.6395	0.6926	0.6650	0.9493
No log	8.0	128	0.2100	0.6822	0.7378	0.7089	0.9530
No log	9.0	144	0.2077	0.6810	0.7497	0.7137	0.9537
No log	10.0	160	0.2173	0.6846	0.7460	0.7140	0.9523
No log	11.0	176	0.2226	0.7001	0.7594	0.7285	0.9542
No log	12.0	192	0.2204	0.7015	0.7568	0.7281	0.9538
No log	13.0	208	0.2278	0.6746	0.7411	0.7063	0.9533
No log	14.0	224	0.2351	0.6853	0.7378	0.7106	0.9522

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: 48ff1d5