Характеристики

Контекст: 514 токенов
Параметры: 454 млн
Лицензия: MIT
Архитектура: roberta · dense
Опубликована: 8 апр 2022

Ссылки

Hugging Face

roberta-large-sst2

philschmid

Классификация текстаТекст → label3 профессии

RoBERTa Large, дообученная на SST-2 для классификации тональности текста.

154скачиваний за 30 дней0лайковвеса обновлены8 апр 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 philschmid/roberta-large-sst2 — версия RoBERTa Large, дообученная для классификации тональности на наборе данных SST-2 из GLUE. Она принимает текст и относит его к одной из категорий тональности; архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, контекст — до 514 токенов. На оценочном наборе README сообщает точность 0,9644 и loss 0,1400.

Модель подходит для определения тональности коротких текстов, например отзывов и комментариев. Репозиторий содержит веса PyTorch; лицензия — MIT. Карточка не описывает детально обучающие данные, помимо указания SST-2/GLUE, и не приводит сведений о поддержке языков, поэтому применение к языкам и текстам вне целевого набора не подтверждено.

Сценарии применения

определение положительной или отрицательной тональности отзыва
анализ тональности короткого комментария
классификация эмоциональной окраски пользовательского отзыва

Ограничения

Оценка приведена для набора GLUE и не подтверждает качество на других данных. Поддержка языков, кроме языка целевого набора SST-2, в карточке не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-large-sst2

This model is a fine-tuned version of roberta-large on the glue dataset. It achieves the following results on the evaluation set:

Loss: 0.1400
Accuracy: 0.9644

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: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
distributed_type: sagemaker_data_parallel
num_devices: 8
total_train_batch_size: 256
total_eval_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.3688	1.0	264	0.1444	0.9564
0.1529	2.0	528	0.1502	0.9518
0.107	3.0	792	0.1388	0.9530
0.0666	4.0	1056	0.1400	0.9644

Framework versions

Transformers 4.17.0
Pytorch 1.10.2+cu113
Datasets 1.18.4
Tokenizers 0.11.6

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: RobertaForSequenceClassification
Ревизия весов: 7d2599d