Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 30 окт 2023

Ссылки

Hugging Face

bert-base-uncased-ag-news-finetuned

odunola

Классификация текстаТекст → label

BERT, дообученный на AG News для классификации англоязычных новостных текстов по темам.

8скачиваний за 30 дней0лайковвеса обновлены2 ноя 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 odunola/bert-base-uncased-ag-news-finetuned — версия BERT, дообученная разработчиком на наборе данных AG News для классификации новостных текстов. Она использует архитектуру BertForSequenceClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В оценке на тестовом наборе AG News достигла точности 0,9424 и взвешенной F1-меры 0,9425.

Модель подходит для автоматической сортировки новостей по темам и разметки новостных текстов в потоках данных. Базовая модель google-bert/bert-base-uncased обучалась на английском языке, поэтому назначение чекпойнта — классификация англоязычных новостей. Распространяется по лицензии Apache-2.0.

Сценарии применения

классификация новостей по тематическим категориям
автоматическая сортировка новостной ленты
разметка новостных статей для аналитики

Ограничения

Модель дообучена на AG News, поэтому её качество на других типах текстов или тематических схемах не установлено. Оценка в README приведена для набора AG News.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-ag-news-finetuned

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

eval_loss: 0.2589
eval_accuracy: 0.9424
eval_f1(weighted): 0.9425
eval_precision(weighted): 0.9427
eval_recall(weighted): 0.9424
eval_runtime: 73.6126
eval_samples_per_second: 326.031
eval_steps_per_second: 6.792
epoch: 1.0
step: 2000

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: 48
eval_batch_size: 48
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Framework versions

Transformers 4.34.1
Pytorch 2.0.1+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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: ee20ef1