Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Опубликована: 5 окт 2023

Ссылки

Hugging Face

hc3-wiki-domain-classification-roberta

rajendrabaskota

Классификация текстаТекст → label5 профессий

Дообученная RoBERTa для классификации текстов по тематическим областям HC3 и Wikipedia.

20скачиваний за 30 дней0лайковвеса обновлены6 окт 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

hc3-wiki-domain-classification-roberta — модель классификации текста на базе RoBERTa, дообученная разработчиком rajendrabaskota на наборе данных, обозначенном в карточке как None. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые последовательности длиной до 514 токенов.

Модель предназначена для отнесения текстов к классам тематических областей, связанных с HC3 и Wikipedia. В карточке приведены результаты оценки: accuracy 0,9810 и F1 0,9810 при loss 0,1821. Описание классов, состав обучающего набора и конкретные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

классификация статей Wikipedia по тематике
определение тематической категории текста
автоматическая сортировка текстов по доменам

Ограничения

Карточка не описывает классы, обучающие данные и ограничения применения; указанный набор данных назван None. Метрики оценки приведены без подробностей о протоколе и составе выборки.

Для каких профессий подходит5

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hc3-wiki-domain-classification-roberta

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

Loss: 0.1821
Accuracy: 0.9810
F1 Score: 0.9810

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: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Score
0.5388	0.04	400	0.3470	0.9626	0.9626
0.4795	0.08	800	0.4603	0.9659	0.9659
0.4419	0.12	1200	0.3184	0.9622	0.9622
0.3985	0.15	1600	0.3919	0.9697	0.9697
0.3954	0.19	2000	0.3571	0.9718	0.9718
0.4891	0.23	2400	0.4775	0.9668	0.9668
0.4283	0.27	2800	0.3616	0.9677	0.9677
0.4157	0.31	3200	0.4152	0.9519	0.9519
0.4477	0.35	3600	0.3460	0.9673	0.9673
0.426	0.39	4000	0.4334	0.9669	0.9669
0.3704	0.43	4400	0.3405	0.9634	0.9634
0.4027	0.46	4800	0.3232	0.9738	0.9738
0.3704	0.5	5200	0.3475	0.9672	0.9672
0.3459	0.54	5600	0.4094	0.9738	0.9738
0.3707	0.58	6000	0.3176	0.9703	0.9703
0.3145	0.62	6400	0.3329	0.9760	0.9760
0.3153	0.66	6800	0.3762	0.9733	0.9733
0.293	0.7	7200	0.2815	0.9761	0.9761
0.2981	0.74	7600	0.2577	0.9771	0.9771
0.2481	0.77	8000	0.2134	0.9780	0.9780
0.2418	0.81	8400	0.1978	0.9779	0.9779
0.2235	0.85	8800	0.1896	0.9794	0.9794
0.1934	0.89	9200	0.1895	0.9796	0.9796
0.2167	0.93	9600	0.1804	0.9792	0.9792
0.1992	0.97	10000	0.1821	0.9810	0.9810

Framework versions

Transformers 4.33.0
Pytorch 2.0.0
Datasets 2.13.0
Tokenizers 0.13.3

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: RobertaForSequenceClassification
Ревизия весов: 32be17c