/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense

bert-base-codemixed-uncased-sentiment

Классификация текстаТекст → label

Дообученная на SAIL 2017 модель BERT для классификации тональности смешанных текстов на хинди и английском.

17скачиваний за 30 дней0лайковвеса обновлены20 мая 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

Модель rohanrajpal/bert-base-codemixed-uncased-sentiment — дообученная версия bert-base-multilingual-cased для классификации тональности текстов на хинди и английском, включая код-свитчинг между этими языками. Она основана на архитектуре BERT и обучена на датасете SAIL 2017. Модель принимает текст и выдаёт метку классификации; максимальная длина контекста составляет 512 токенов, число параметров — 205,1 млн.

Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка не содержит готового примера использования и конкретной оценки качества. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение тональности сообщений на хинди
  • анализ тональности англоязычных сообщений
  • классификация отзывов со смешением хинди и английского
  • анализ тональности текстов с переключением между хинди и английским

Ограничения

В карточке нет примера использования и сведений об оценке качества; обучение описано только для датасета SAIL 2017. Указание README о потенциальных смещениях дано как шаблон и не сопровождается конкретными примерами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model name

Model description

I took a bert-base-multilingual-cased model from huggingface and finetuned it on SAIL 2017 dataset.

Intended uses & limitations

How to use

# You can include sample code which will be formatted
#Coming soon!

Limitations and bias

Provide examples of latent issues and potential remediations.

Training data

I trained on the SAIL 2017 dataset link on this pretrained model.

Training procedure

No preprocessing.

Eval results

BibTeX entry and citation info

@inproceedings{khanuja-etal-2020-gluecos,
    title = "{GLUEC}o{S}: An Evaluation Benchmark for Code-Switched {NLP}",
    author = "Khanuja, Simran  and
      Dandapat, Sandipan  and
      Srinivasan, Anirudh  and
      Sitaram, Sunayana  and
      Choudhury, Monojit",
    booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics",
    month = jul,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2020.acl-main.329",
    pages = "3575--3585"
}

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
78474f5

0 моделей