Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 27 окт 2023

Ссылки

Hugging Face

bert-ner-3

mpalaval

Разметка токеновТекст → label3 профессии

Дообученная на базе BERT модель для классификации токенов и разметки последовательностей.

8скачиваний за 30 дней0лайковвеса обновлены27 окт 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

mpalaval/bert-ner-3 — дообученная модель на базе BERT bert-base-cased для классификации токенов, в том числе разметки именованных сущностей. В карточке указан датасет None; сведения о его составе и типах меток отсутствуют.

Модель содержит 135,5 млн параметров, использует архитектуру BERT и формат PyTorch. Максимальная длина контекста — 512 токенов. В README приведены результаты оценки: precision 0,1708, recall 0,4296, F1 0,2444 и accuracy 0,8849; эти показатели указывают на ограничения качества разметки. Лицензия — Apache-2.0.

Сценарии применения

разметка токенов в тексте
поиск именованных сущностей в тексте
извлечение структурированных меток из последовательностей

Ограничения

На оценочной выборке F1 составляет 0,2444, precision — 0,1708, поэтому качество разметки ограничено. В карточке не описаны языки, типы сущностей и состав обучающего датасета.

Для каких профессий подходит3

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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-ner-3

This model is a fine-tuned version of bert-base-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5646
Precision: 0.1708
Recall: 0.4296
F1: 0.2444
Accuracy: 0.8849

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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	211	0.3086	0.1551	0.2612	0.1946	0.9151
No log	2.0	422	0.3039	0.1730	0.3608	0.2339	0.9091
0.3957	3.0	633	0.3823	0.1396	0.3608	0.2013	0.8904
0.3957	4.0	844	0.4147	0.1592	0.3780	0.2240	0.8862
0.1085	5.0	1055	0.4257	0.1785	0.3814	0.2432	0.8963
0.1085	6.0	1266	0.5030	0.1575	0.4055	0.2269	0.8797
0.1085	7.0	1477	0.5427	0.1509	0.3883	0.2173	0.8784
0.0488	8.0	1688	0.5601	0.1673	0.4467	0.2434	0.8775
0.0488	9.0	1899	0.5518	0.1707	0.4124	0.2414	0.8880
0.0243	10.0	2110	0.5646	0.1708	0.4296	0.2444	0.8849

Framework versions

Transformers 4.34.1
Pytorch 2.1.0+cu118
Datasets 2.14.6
Tokenizers 0.14.1

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: 1ea5c04