/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
pos-ner-tagging-v2
Опубликована
16 сен 2023

pos-ner-tagging-v3

Разметка токеновТекст → label

Дообученная на CoNLL-2003 модель BERT для разметки частей речи и извлечения именованных сущностей из текста.

6скачиваний за 30 дней0лайковвеса обновлены16 сен 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

pos-ner-tagging-v3 — дообученная на наборе CoNLL-2003 модель BERT для классификации токенов в тексте. Она предназначена для разметки частей речи и извлечения именованных сущностей. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и обрабатывает контекст до 512 токенов.

На оценочной выборке CoNLL-2003 достигла F1 0,9357, точности 0,9339 и полноты 0,9374. Модель выпущена под лицензией Apache-2.0. Языковая специализация и ограничения за пределами указанных результатов не описаны.

Сценарии применения

  • разметка частей речи в предложениях
  • извлечение имен людей, организаций и мест из текста
  • автоматическая разметка токенов в текстовом корпусе

Ограничения

Оценочные показатели приведены для CoNLL-2003; качество на других данных не установлено. Максимальный контекст составляет 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pos-ner-tagging-v3

This model is a fine-tuned version of om-ashish-soni/pos-ner-tagging-v2 on the conll2003 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.6356
  • Precision: 0.9339
  • Recall: 0.9374
  • F1: 0.9357
  • Accuracy: 0.9273

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
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 4

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Accuracy
No log1.04390.64150.93410.93670.93540.9265
0.00782.08780.63720.93270.93630.93450.9259
0.0063.013170.62830.93380.93730.93560.9274
0.00364.017560.63560.93390.93740.93570.9273

Framework versions

  • Transformers 4.33.2
  • Pytorch 2.0.1+cu118
  • Datasets 2.14.5
  • Tokenizers 0.13.3

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
cd10be5

0 моделей