Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 28 июл 2022

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-clinc

olpa

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации пользовательских запросов по намерениям CLINC OOS.

10скачиваний за 30 дней0лайковвеса обновлены12 авг 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

Модель olpa/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT для классификации пользовательских запросов по намерениям из набора CLINC OOS. Она предназначена для маршрутизации запросов и распознавания намерений в системах голосовых помощников и диалоговых интерфейсах. На оценочной выборке CLINC OOS указана точность 0,9168 и потеря 0,7778.

Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов; опубликованные веса представлены в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает подробно обучающие данные, ограничения и поведение вне CLINC OOS, поэтому качество на других наборах намерений не установлено.

Сценарии применения

Определение намерения в запросах к голосовому помощнику
Маршрутизация фраз пользователя по категориям запросов
Классификация коротких реплик в диалоговом интерфейсе

Ограничения

Результат оценки приведён только для CLINC OOS; качество на других данных не установлено. Максимальная длина контекста составляет 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-clinc

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

Loss: 0.7778
Accuracy: 0.9168

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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	318	3.2779	0.7394
3.7834	2.0	636	1.8741	0.8287
3.7834	3.0	954	1.1619	0.8887
1.6892	4.0	1272	0.8601	0.9090
0.9056	5.0	1590	0.7778	0.9168

Framework versions

Transformers 4.20.1
Pytorch 1.11.0+cu102
Datasets 2.2.1
Tokenizers 0.12.1

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: DistilBertForSequenceClassification
Ревизия весов: bcdd36f