Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-yahd

phailyoor

Классификация текстаТекст → label3 профессии

Дообученная на DistilBERT модель для классификации текста, назначение классов которой не раскрыто.

19скачиваний за 30 дней0лайковвеса обновлены10 ноя 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

Это модель классификации последовательностей на базе DistilBERT, дообученная phailyoor от distilbert-base-uncased. Она предназначена для отнесения текста к классам; конкретная область применения и смысл меток в карточке не описаны. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов.

В карточке указана точность 0,4010 и функция потерь 5,7685 на оценочной выборке, однако описание набора данных и меток отсутствует, поэтому эти результаты трудно интерпретировать. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация текста по классам модели
экспериментальная оценка классификатора DistilBERT
инференс классификатора в приложениях на Transformers

Ограничения

Назначение меток и данные обучения не описаны; указанная точность 0,4010 без этих сведений малоинформативна. Контекст ограничен 512 токенами.

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-yahd

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 5.7685
Accuracy: 0.4010

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: 16

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
2.2439	1.0	9142	2.1898	0.2130
1.9235	2.0	18284	2.1045	0.2372
1.5915	3.0	27426	2.1380	0.2550
1.3262	4.0	36568	2.2544	0.2758
1.0529	5.0	45710	2.5662	0.2955
0.8495	6.0	54852	2.8731	0.3078
0.6779	7.0	63994	3.1980	0.3218
0.5546	8.0	73136	3.6289	0.3380
0.4738	9.0	82278	3.9732	0.3448
0.412	10.0	91420	4.2945	0.3565
0.3961	11.0	100562	4.6127	0.3772
0.3292	12.0	109704	4.9586	0.3805
0.318	13.0	118846	5.2615	0.3887
0.2936	14.0	127988	5.4567	0.3931
0.2671	15.0	137130	5.6902	0.3965
0.2301	16.0	146272	5.7685	0.4010

Framework versions

Transformers 4.12.3
Pytorch 1.9.0+cu102
Datasets 1.15.1
Tokenizers 0.10.3

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: e340ea5