Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Архитектура: electra · dense
Базовая модель: banglabert
Опубликована: 30 дек 2023

Ссылки

Hugging Face

bengali_pos_v1

mHossain

Разметка токеновТекст → label3 профессии

Дообученная на бенгальских данных ELECTRA-модель для разметки частей речи в тексте на уровне токенов.

20скачиваний за 30 дней0лайковвеса обновлены31 дек 2023

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

bengali_pos_v1 — модель mHossain, дообученная на csebuetnlp/banglabert с использованием набора pos_tag_100k для разметки частей речи на уровне токенов. Это дискриминативная модель ELECTRA с архитектурой ElectraForTokenClassification, содержащая 137,8 млн параметров и поддерживающая контекст до 512 токенов. В метаданных указан формат весов safetensors.

Модель предназначена для присвоения токенам бенгальского текста тегов частей речи. На оценочном наборе указаны точность 0,8182, precision 0,7541, recall 0,7567 и F1 0,7554. Лицензия в предоставленных данных не указана.

Сценарии применения

разметка частей речи в бенгальских предложениях
определение грамматической роли каждого токена
подготовка POS-разметки для лингвистического анализа
автоматическая аннотация бенгальских текстовых корпусов

Ограничения

На оценочном наборе F1 составляет 0,7554, поэтому качество разметки может быть недостаточным для сценариев, требующих высокой точности. Длина контекста ограничена 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bengali_pos_v1

This model is a fine-tuned version of csebuetnlp/banglabert on the pos_tag_100k dataset. It achieves the following results on the evaluation set:

Loss: 0.6322
Precision: 0.7541
Recall: 0.7567
F1: 0.7554
Accuracy: 0.8182

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: 2e-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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.7003	1.0	20000	0.6762	0.7281	0.7339	0.7310	0.8000
0.6097	2.0	40000	0.6277	0.7481	0.7481	0.7481	0.8135
0.5062	3.0	60000	0.6322	0.7541	0.7567	0.7554	0.8182

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

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: ElectraForTokenClassification
Ревизия весов: 2e4b87a