/ Модель

Характеристики

Контекст
512 токенов
Параметры
32,4 млн
Архитектура
bert · dense

bert-small-mnli

Классификация текстаТекст → label3 профессии

Компактная BERT-модель, обученная на MultiNLI для классификации текстов и вывода на естественном языке.

69скачиваний за 30 дней0лайковвеса обновлены5 окт 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

prajjwal1/bert-small-mnli — компактная модель классификации последовательностей на основе BERT, опубликованная Prajjwal Bhargava. Это вариант семейства BERT, обученный на наборе MultiNLI для задач вывода на естественном языке и классификации текстовых пар. Модель содержит 32,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов.

Чекпойнт получен преобразованием TensorFlow-чекпойнта из официального репозитория Google BERT в формат PyTorch; в карточке также указан формат Flax. Модель подходит для определения отношений между посылкой и гипотезой и для классификации текста по заданным меткам. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение логического следствия между двумя предложениями
  • классификация отношений между посылкой и гипотезой
  • классификация текста по заданным категориям

Ограничения

Модель обучалась на MNLI, поэтому её качество может снижаться на задачах и текстах, заметно отличающихся от этого набора 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

The following model is a Pytorch pre-trained model obtained from converting Tensorflow checkpoint found in the official Google BERT repository. These BERT variants were introduced in the paper Well-Read Students Learn Better: On the Importance of Pre-training Compact Models. These models are trained on MNLI.

If you use the model, please consider citing the paper

@misc{bhargava2021generalization,
      title={Generalization in NLI: Ways (Not) To Go Beyond Simple Heuristics}, 
      author={Prajjwal Bhargava and Aleksandr Drozd and Anna Rogers},
      year={2021},
      eprint={2110.01518},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Original Implementation and more info can be found in this Github repository.

MNLI: 72.1%
MNLI-mm: 73.76%

These models were trained for 4 epochs.

@prajjwal_1

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
BertForSequenceClassification
Ревизия весов
6aae77b

0 моделей