Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense

Ссылки

Hugging Face

navid_test_bert

navsad

Классификация текстаТекст → label3 профессии

Дообученная на GLUE модель BERT для классификации последовательностей текста.

15скачиваний за 30 дней0лайковвеса обновлены2 фев 2022

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

navsad/navid_test_bert — модель классификации последовательностей на архитектуре BERT, разработанная путём дообучения bert-base-cased на датасете GLUE. Она предназначена для задач классификации текста. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов, формат PyTorch и лицензия Apache-2.0.

На оценочном наборе для модели указаны loss 0,8149 и коэффициент корреляции Мэттьюса 0,5834. Карточка не описывает конкретные сценарии использования и ограничения, поэтому результаты на этих метриках не позволяют судить о качестве для отдельных задач. README называет bert-base-cased базовой моделью, но не уточняет конкретную конфигурацию датасета GLUE или процедуру обучения.

Сценарии применения

Классификация текстовых последовательностей
Оценка тональности текста
Классификация пар предложений

Ограничения

Карточка не сообщает о конкретных ограничениях и сценариях применения; приведённых метрик недостаточно, чтобы оценить качество на отдельных задачах. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

navid_test_bert

This model is a fine-tuned version of bert-base-cased on the glue dataset. It achieves the following results on the evaluation set:

Loss: 0.8149
Matthews Correlation: 0.5834

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	Matthews Correlation
0.4598	1.0	1069	0.4919	0.5314
0.3228	2.0	2138	0.6362	0.5701
0.17	3.0	3207	0.8149	0.5834

Framework versions

Transformers 4.16.2
Pytorch 1.10.0+cu111
Datasets 1.18.2
Tokenizers 0.11.0

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: BertForSequenceClassification
Ревизия весов: 56b40fd