Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

Hugging Face

sagemaker-distilbert-emotion

marcelcastrobr

Классификация текстаТекст → label

Дообученная на наборе Emotion модель DistilBERT определяет эмоциональную категорию текста.

14скачиваний за 30 дней0лайковвеса обновлены19 ноя 2021

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

marcelcastrobr/sagemaker-distilbert-emotion — модель классификации текста на основе DistilBERT, дообученная на наборе данных Emotion. Она предназначена для определения эмоциональной категории текста. На указанной оценочной выборке модель показала accuracy 0,928 и loss 0,1477. Архитектура — DistilBertForSequenceClassification; модель работает с текстом и имеет контекст до 512 токенов. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация эмоциональной окраски коротких текстов
анализ эмоций в сообщениях и отзывах
автоматическая разметка эмоций в текстовых наборах данных

Ограничения

README не описывает ограничения и область применимости оценки; результат 0,928 accuracy относится только к указанной оценочной выборке. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sagemaker-distilbert-emotion

This model is a fine-tuned version of distilbert-base-uncased on the emotion dataset. It achieves the following results on the evaluation set:

Loss: 0.1477
Accuracy: 0.928

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: 32
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.9308	1.0	500	0.2632	0.916
0.1871	2.0	1000	0.1651	0.926
0.1025	3.0	1500	0.1477	0.928

Framework versions

Transformers 4.12.3
Pytorch 1.9.1
Datasets 1.15.1
Tokenizers 0.10.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 6ce99f6