Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense

Ссылки

Hugging Face

autonlp-bert-covid-407910458

nurkayevaa

Классификация текстаТекст → label3 профессии

Бинарный англоязычный классификатор на базе DistilBERT для текстовой задачи, связанной с COVID-19.

14скачиваний за 30 дней0лайковвеса обновлены11 дек 2021

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 nurkayevaa/autonlp-bert-covid-407910458 — бинарный классификатор текста, обученный с помощью AutoNLP для задачи, связанной с COVID-19. В основе лежит DistilBERT с классификационной головой; модель принимает текст и выдаёт один из двух классов. В метаданных указан контекст длиной 512 токенов, а карточка связывает модель с набором данных nurkayevaa/autonlp-data-bert-covid. Язык модели — английский.

В README приведены метрики валидации: accuracy 0,912, precision 0,891, recall 0,956, AUC 0,970 и F1 0,923. Эти результаты относятся к указанной в карточке оценке и не гарантируют такое же качество на других данных. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

Сценарии применения

бинарная классификация англоязычных текстов о COVID-19
отнесение текстовых сообщений к одному из двух классов по теме COVID-19
оценка тональности или категории текста о COVID-19, если метки датасета соответствуют этой задаче

Ограничения

README не сообщает названия и смысл двух классов, поэтому конкретную интерпретацию предсказаний установить нельзя. Метрики валидации не гарантируют качество на данных, отличающихся от обучающего набора.

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 IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoNLP

Problem type: Binary Classification
Model ID: 407910458
CO2 Emissions (in grams): 9.72797586719897

Validation Metrics

Loss: 0.20907048881053925
Accuracy: 0.9119825708061002
Precision: 0.8912721893491125
Recall: 0.9563492063492064
AUC: 0.9698454873092555
F1: 0.9226646248085759

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoNLP"}' https://api-inference.huggingface.co/models/nurkayevaa/autonlp-bert-covid-407910458

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("nurkayevaa/autonlp-bert-covid-407910458", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("nurkayevaa/autonlp-bert-covid-407910458", use_auth_token=True)

inputs = tokenizer("I love AutoNLP", return_tensors="pt")

outputs = model(**inputs)

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: DistilBertForSequenceClassification
Ревизия весов: 9fa8713