Характеристики

Параметры: 113 млн
Архитектура: wav2vec2 · dense
Опубликована: 2 мар 2022

Ссылки

fma2vec

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученная wav2vec 2.0 модель для извлечения аудиопризнаков, созданная в учебном проекте EPFL по прогнозированию популярности музыки.

90скачиваний за 30 дней0лайковвеса обновлены30 авг 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

fma2vec — предварительно обученная модель на архитектуре wav2vec 2.0, созданная командой студентов курса Digital Musicology DH-401 в EPFL. Модель обучена на коллекции Free Music Archive в рамках проекта по прогнозированию популярности музыки с помощью глубоких нейронных сетей.

Чекпойнт содержит около 113,3 млн параметров и предназначен для извлечения признаков из аудио. README упоминает предварительное обучение и последующее дообучение для задачи проекта, однако не уточняет интерфейс модели для прогноза популярности или результаты оценки качества. Доступны веса PyTorch и Safetensors; условия лицензии в предоставленных данных не описаны.

Сценарии применения

извлечение признаков из музыкального аудио
получение представлений аудиозаписей для анализа
подготовка аудиопризнаков для экспериментов с прогнозированием популярности музыки

Ограничения

README не приводит метрик качества и подробностей о конкретном сценарии инференса; применение для прогноза популярности потребует проверки и, возможно, отдельной модели предсказания. Лицензия в предоставленных сведениях не указана.

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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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

Predicting music popularity using DNNs

This is a pre-trained wav2vec2.0 model, trained on a fill Free Music Archive repository, created as part of DH-401: Digital Musicology class on EPFL

Team

Milestone 3

Main notebook presenting out results is available here

Notebook describing the details of Wav2Vec2.0 pre-training and fine-tuning for the task is available here

Milestone 2

Exploratory data analysis notebook is available here

Milestone 1

Refined project proposal is available here

Milestone 0

Original project proposal is available in git history here

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Wav2Vec2Model
Ревизия весов: a8840dc