Характеристики

Контекст: 514 токенов
Параметры: 454 млн
Лицензия: MIT
Архитектура: roberta · dense
Опубликована: 26 июн 2022

Ссылки

Hugging Face

roberta-large-finetuned-ner

romainlhardy

Разметка токеновТекст → label

Модель RoBERTa large для распознавания именованных сущностей в тексте, дообученная на CoNLL-2003.

17скачиваний за 30 дней1лайквеса обновлены26 июн 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

roberta-large-finetuned-ner — модель RoBERTa large, дообученная для распознавания именованных сущностей на наборе данных CoNLL-2003. Она размечает текст по токенам и подходит для извлечения сущностей из текста. В оценке на тестовой выборке CoNLL-2003 указаны F1 0,9569, точность 0,9477 и полнота 0,9663.

Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Лицензия — MIT. Качество и набор распознаваемых сущностей связаны с обучением на CoNLL-2003; результаты на других языках, доменах и типах текста могут отличаться.

Сценарии применения

извлечение имен людей из текста
извлечение названий организаций из документов
поиск географических названий в тексте
разметка именованных сущностей в новостях

Ограничения

Модель обучена на CoNLL-2003, поэтому её качество на других языках, в специализированных областях и на текстах, отличающихся от данных этого набора, может снижаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-large-finetuned-ner

This model is a fine-tuned version of roberta-large on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.0495
Precision: 0.9477
Recall: 0.9663
F1: 0.9569
Accuracy: 0.9907

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.078	1.0	1756	0.0577	0.9246	0.9536	0.9389	0.9865
0.0382	2.0	3512	0.0528	0.9414	0.9620	0.9516	0.9890
0.021	3.0	5268	0.0495	0.9477	0.9663	0.9569	0.9907

Framework versions

Transformers 4.20.1
Pytorch 1.11.0+cu113
Datasets 2.3.2
Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForTokenClassification
Ревизия весов: 131ae59