/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
27 июл 2022

distilbert-base-uncased-finetuned-cola

Классификация текстаТекст → label3 профессии

Дообученная на CoLA модель DistilBERT классифицирует английские предложения по грамматической приемлемости.

13скачиваний за 30 дней1лайквеса обновлены31 авг 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

rwang5688 — дообученная на датасете GLUE модель DistilBERT для классификации текста. По названию модели и результату Matthews Correlation она предназначена для определения грамматической приемлемости английских предложений в задаче CoLA. Модель принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch и TensorFlow.

Модель подходит для проверки грамматической приемлемости предложений и экспериментов с классификацией текста. Лицензия — Apache-2.0.

Сценарии применения

  • проверка грамматической приемлемости английского предложения
  • оценка грамматической корректности фраз в учебных заданиях
  • классификация предложений для экспериментов с CoLA

Ограничения

README не приводит подробностей о предназначении и ограничениях; модель обучена на CoLA, поэтому её оценки не следует считать универсальной проверкой грамматики. Максимальная длина контекста — 512 токенов.

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

distilbert-base-uncased-finetuned-cola

This model is a fine-tuned version of distilbert-base-uncased on the glue dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7166
  • Matthews Correlation: 0.5422

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: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossMatthews Correlation
0.52391.05350.51240.4240
0.34722.010700.49660.5180
0.23593.016050.64740.5174
0.17234.021400.71660.5422
0.12855.026750.83660.5367

Framework versions

  • Transformers 4.12.0
  • Pytorch 1.8.1+cpu
  • Datasets 2.4.0
  • Tokenizers 0.10.3

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
DistilBertForSequenceClassification
Ревизия весов
f79a2b1

0 моделей