/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
19 мая 2023

tamil-ner-model

Разметка токеновТекст → label6 профессий

Дообученная на XTREME модель BERT для разметки токенов и распознавания именованных сущностей в тамильском тексте.

33скачиваний за 30 дней1лайквеса обновлены19 мая 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

sathishmahi/tamil-ner-model — модель распознавания именованных сущностей в тексте на тамильском языке. Это дообученная версия bert-base-uncased на датасете XTREME, построенная на архитектуре BERT с классификационной головой для разметки токенов. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов.

Модель предназначена для извлечения именованных сущностей из тамильского текста. В README приведено значение loss 0,5562 на оценочном наборе, но классы сущностей и подробности протокола оценки не описаны. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение именованных сущностей из тамильских документов
  • поиск персон, организаций и мест в тамильском тексте
  • автоматическая разметка токенов тамильского текста

Ограничения

README не уточняет набор классов сущностей и подробности оценки; указано только значение loss 0,5562 на оценочном наборе. Контекст ограничен 512 токенами.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tamil-ner-model

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

  • Loss: 0.5562

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: 10

Training results

Training LossEpochStepValidation Loss
0.35271.09380.5562
0.35432.018760.5562
0.35843.028140.5562
0.35544.037520.5562
0.3635.046900.5562
0.35626.056280.5562
0.35167.065660.5562
0.35548.075040.5562
0.35949.084420.5562
0.356810.093800.5562

Framework versions

  • Transformers 4.29.2
  • Pytorch 2.0.1+cu118
  • Datasets 2.12.0
  • Tokenizers 0.13.3

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
BertForTokenClassification
Ревизия весов
33f299d

0 моделей