Характеристики

Контекст: 512 токенов
Параметры: 155 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

deberta-v3-small-finetuned-sst2

mrm8488

Классификация текстаТекст → label4 профессии

Дообученная DeBERTa v3 Small для определения тональности коротких англоязычных текстов.

99скачиваний за 30 дней3лайкавеса обновлены23 мар 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

mrm8488/deberta-v3-small-finetuned-sst2 — модель классификации текста на основе DeBERTa v3 Small, дообученная на наборе SST2 из бенчмарка GLUE. Она предназначена для определения тональности англоязычных текстов, в частности положительной или отрицательной оценки отзывов и коротких высказываний. Модель содержит 155 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает последовательности длиной до 512 токенов.

В оценке на тестовой выборке SST2 модель показала точность 0,9404 и loss 0,2134. Подходит для классификации коротких англоязычных текстов в экспериментах и прикладных прототипах; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других типах текстов. Лицензия — MIT.

Сценарии применения

определение положительной или отрицательной тональности отзывов
анализ тональности коротких англоязычных высказываний
классификация англоязычных предложений по эмоциональной оценке

Ограничения

Модель дообучена на SST2, поэтому её показатели могут снижаться на текстах, отличающихся по тематике или стилю от этого набора данных. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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

DeBERTa v3 (small) fine-tuned on SST2

This model is a fine-tuned version of microsoft/deberta-v3-small on the GLUE SST2 dataset. It achieves the following results on the evaluation set:

Loss: 0.2134
Accuracy: 0.9404

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: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.176	1.0	4210	0.2134	0.9404
0.1254	2.0	8420	0.2362	0.9415
0.0957	3.0	12630	0.3187	0.9335
0.0673	4.0	16840	0.3039	0.9266
0.0457	5.0	21050	0.3521	0.9312

Framework versions

Transformers 4.13.0.dev0
Pytorch 1.10.0+cu111
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: DebertaV2ForSequenceClassification
Ревизия весов: 648f825