Характеристики

Контекст: 512 токенов
Параметры: 72,8 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 25 сен 2022

Ссылки

Hugging Face

thucnews

shed-e

Классификация текстаТекст → label4 профессии

Дообученная модель BERT для классификации текста, созданная на базе hfl/rbt6.

15скачиваний за 30 дней0лайковвеса обновлены25 сен 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

shed-e/thucnews — модель классификации текста на базе hfl/rbt6, дообученная на наборе данных load_train. Это модель BERT с архитектурой BertForSequenceClassification, содержащая 72,8 млн параметров и принимающая последовательности длиной до 512 токенов. На оценочной выборке указаны loss 0,3191 и accuracy 0,9433.

Модель предназначена для отнесения текста к классам. Название репозитория указывает на связь с THUCNews, однако карточка не описывает набор меток, состав данных или конкретные сценарии классификации. Лицензия — Apache-2.0.

Сценарии применения

классификация текстов по категориям
экспериментальная оценка модели классификации на данных load_train
присвоение меток текстовым последовательностям

Ограничения

Карточка не описывает классы, обучающие данные и область применения; результаты на оценочной выборке не гарантируют аналогичное качество на других данных. Ограничение входа — 512 токенов.

Для каких профессий подходит4

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

thucnews

This model is a fine-tuned version of hfl/rbt6 on the load_train dataset. It achieves the following results on the evaluation set:

Loss: 0.3191
Accuracy: 0.9433

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: 0.0001
train_batch_size: 256
eval_batch_size: 256
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2038	1.0	704	0.2018	0.9332
0.1403	2.0	1408	0.1829	0.9406
0.0894	3.0	2112	0.2073	0.9419
0.056	4.0	2816	0.2228	0.9408
0.0321	5.0	3520	0.2689	0.9417
0.0209	6.0	4224	0.2819	0.9431
0.0099	7.0	4928	0.3131	0.9421
0.0057	8.0	5632	0.3191	0.9433

Framework versions

Transformers 4.22.1
Pytorch 1.12.1+cu113
Datasets 2.5.1
Tokenizers 0.12.1

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: bbc6910