Характеристики

Контекст: 512 токенов
Параметры: 32,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 17 авг 2022

Ссылки

Hugging Face

bert-small-finetuned-xglue-ner

muhtasham

Разметка токеновТекст → label3 профессии

Компактная модель BERT для распознавания именованных сущностей в тексте, дообученная на WNUT 17.

328скачиваний за 30 дней0лайковвеса обновлены12 июл 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

Модель muhtasham/bert-small-finetuned-xglue-ner — компактная модель BERT, дообученная на наборе WNUT 17 для распознавания именованных сущностей и классификации токенов. Она принимает текст и присваивает метки отдельным токенам, поэтому подходит для извлечения сущностей из пользовательских текстов. В основе лежит google/bert_uncased_L-4_H-512_A-8; модель содержит 32,4 млн параметров и поддерживает контекст до 512 токенов.

На оценочной выборке WNUT 17 указаны F1 0,4749, точность 0,5932, полнота 0,3959 и accuracy 0,9252. Эти результаты указывают на ограниченное качество извлечения сущностей, особенно по полноте; перед применением в конкретной области модель следует проверить на соответствующих данных. Лицензия — Apache 2.0.

Сценарии применения

извлечение именованных сущностей из пользовательских сообщений
разметка токенов в коротких текстах и публикациях
поиск упоминаний сущностей в текстах WNUT 17

Ограничения

На оценочной выборке WNUT 17 F1 составляет 0,4749, а полнота — 0,3959, поэтому модель может пропускать многие сущности. Карточка не описывает подробную схему меток и область применимости за пределами этого набора данных.

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.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-small-finetuned-xglue-ner

This model is a fine-tuned version of google/bert_uncased_L-4_H-512_A-8 on the wnut_17 dataset. It achieves the following results on the evaluation set:

Loss: 0.3663
Precision: 0.5932
Recall: 0.3959
F1: 0.4749
Accuracy: 0.9252

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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	425	0.3590	0.6185	0.3433	0.4415	0.9220
0.2242	2.0	850	0.3638	0.6226	0.3947	0.4832	0.9245
0.1219	3.0	1275	0.3663	0.5932	0.3959	0.4749	0.9252

Framework versions

Transformers 4.21.1
Pytorch 1.12.1+cu113
Datasets 2.4.0
Tokenizers 0.12.1

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: 368ca70