Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: bert-base-uncased-fibe-v2
Библиотека: transformers
Опубликована: 29 сен 2024

Ссылки

Hugging Face

bert-base-uncased-fibe-v3

pilotj

Классификация текстаТекст → label

Дообученная модель BERT для классификации текстовых последовательностей.

9скачиваний за 30 дней0лайковвеса обновлены29 сен 2024

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

pilotj/bert-base-uncased-fibe-v3 — дообученная модель на базе biggy-smiley/bert-base-uncased-fibe-v2 для классификации текста. Она использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. В README приведён результат оценки: eval_loss 0,4755 после примерно одной эпохи обучения.

Модель подходит для задач классификации последовательностей в системах на базе Transformers. В README датасет обучения обозначен как None, а назначение, языки и конкретные классы классификации не раскрыты. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

классификация текстов по заданным категориям
интеграция классификатора текста в приложение на Transformers
оценка текста на валидационных данных

Ограничения

Не описаны целевые классы, датасет и поддерживаемые языки, поэтому применимость к конкретной предметной области нужно проверять отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-fibe-v3

This model is a fine-tuned version of biggy-smiley/bert-base-uncased-fibe-v2 on the None dataset. It achieves the following results on the evaluation set:

eval_loss: 0.4755
eval_runtime: 40.9898
eval_samples_per_second: 253.722
eval_steps_per_second: 3.977
epoch: 1.0311
step: 15500

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: 5e-05
train_batch_size: 32
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Framework versions

Transformers 4.45.1
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.20.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 9d8f387