Характеристики

Контекст: 1 026 токенов
Параметры: 44,3 млн
Архитектура: esm · dense
Опубликована: 15 ноя 2023

Ссылки

Hugging Face

TCS_Pair

mgh6

Классификация текстаТекст → label3 профессии

Дообученная модель ESM для классификации последовательностей, чьи целевые классы и область применения не описаны.

172скачиваний за 30 дней0лайковвеса обновлены14 окт 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

TCSPair — модель классификации последовательностей на базе архитектуры ESM, разработанная автором репозитория mgh6 и дообученная на основе mgh6/esm_cluster_35M_linear. Она предназначена для классификации последовательностей; карточка сообщает значение loss 0,1515 на оценочном наборе, но не раскрывает набор данных, метрики качества или назначение классов. Модель содержит 44,3 млн параметров, принимает последовательности длиной до 1026 токенов и доступна в форматах PyTorch и Safetensors.

Практическое применение ограничено отсутствием описания целевых классов, обучающих данных и инструкции по использованию. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Сценарии применения

Классификация последовательностей в задачах на базе ESM
Оценка последовательностей с помощью дообученной модели классификации

Ограничения

В карточке не описаны целевые классы, обучающие данные и практическое назначение модели; единственный приведённый результат — loss 0,1515 на оценочном наборе. Лицензия не указана в предоставленных данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TCS_Pair

This model is a fine-tuned version of mgh6/esm_cluster_35M_linear on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1515

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: 0.001
train_batch_size: 80
eval_batch_size: 80
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss
0.1694	0.13	100	0.1876
0.1104	0.27	200	0.1856
0.0976	0.4	300	0.2082
0.0858	0.54	400	0.1908
0.0832	0.67	500	0.1575
0.0853	0.81	600	0.1549
0.0788	0.94	700	0.1598
0.0629	1.07	800	0.1386
0.0579	1.21	900	0.2071
0.0571	1.34	1000	0.1667
0.0567	1.48	1100	0.1421
0.0527	1.61	1200	0.1623
0.0553	1.74	1300	0.1827
0.0557	1.88	1400	0.1535
0.0523	2.01	1500	0.1353
0.0358	2.15	1600	0.1409
0.041	2.28	1700	0.1502
0.042	2.42	1800	0.1427
0.04	2.55	1900	0.1505
0.04	2.68	2000	0.1366
0.0392	2.82	2100	0.1236
0.0409	2.95	2200	0.1210
0.0327	3.09	2300	0.1448
0.0293	3.22	2400	0.1535
0.0265	3.36	2500	0.1529
0.0268	3.49	2600	0.1557
0.0241	3.62	2700	0.1505
0.0264	3.76	2800	0.1447
0.0286	3.89	2900	0.1442
0.0306	4.03	3000	0.1504
0.0152	4.16	3100	0.1311
0.0185	4.3	3200	0.1873
0.0212	4.43	3300	0.1396
0.022	4.56	3400	0.1663
0.0206	4.7	3500	0.1443
0.0231	4.83	3600	0.1483
0.0172	4.97	3700	0.1413
0.0134	5.1	3800	0.1472
0.0129	5.23	3900	0.1442
0.0126	5.37	4000	0.1369
0.013	5.5	4100	0.1576
0.012	5.64	4200	0.1348
0.013	5.77	4300	0.1572
0.0123	5.91	4400	0.1529
0.0099	6.04	4500	0.1425
0.0072	6.17	4600	0.1540
0.0081	6.31	4700	0.1463
0.0075	6.44	4800	0.1540
0.0078	6.58	4900	0.1418
0.0062	6.71	5000	0.1640
0.0062	6.85	5100	0.1392
0.0068	6.98	5200	0.1572
0.0054	7.11	5300	0.1485
0.0046	7.25	5400	0.1445
0.0054	7.38	5500	0.1488
0.0033	7.52	5600	0.1478
0.0041	7.65	5700	0.1514
0.0044	7.79	5800	0.1508
0.0025	7.92	5900	0.1515

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cu117
Datasets 2.13.1
Tokenizers 0.13.3

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: EsmForSequenceClassification
Ревизия весов: 4038289