/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
9 янв 2023

Gender-Classification

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текста по категориям, связанным с полом.

5 454скачиваний за 30 дней34лайкавеса обновлены9 янв 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

Gender-Classification — модель классификации текста на основе DistilBERT, дообученная из distilbert-base-uncased. Она предназначена для отнесения текстовых входов к категориям, связанным с полом; сведения о метках классов и целевых сценариях в карточке отсутствуют. Модель принимает текст с контекстом до 512 токенов и выдаёт метку классификации. В README приведены accuracy 1.0 и loss 0.0000 на оценочном наборе, однако без описания датасета и методики эти показатели нельзя интерпретировать как оценку качества на новых данных. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация текстовых записей по категориям пола
  • Автоматическая разметка текстовых данных для анализа

Ограничения

Датасет, схема классов и предполагаемые сценарии использования не описаны, поэтому приведённые метрики нельзя считать свидетельством качества на новых данных. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gender-Classification

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

  • Loss: 0.0000
  • Accuracy: 1.0

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: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossAccuracy
0.00351.043900.00041.0000
0.00052.087800.00021.0000
0.03.0131700.00001.0
0.04.0175600.00001.0
0.05.0219500.00001.0

Framework versions

  • Transformers 4.25.1
  • Pytorch 1.13.0+cu116
  • Datasets 2.8.0
  • Tokenizers 0.13.2

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
92fe315

0 моделей