Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 3 дек 2023

Ссылки

Hugging Face

question_classifier_model

sophiaqho

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста по категориям, заданным при обучении.

5скачиваний за 30 дней0лайковвеса обновлены4 дек 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

sophiaqho/question_classifier_model — модель классификации текста на основе DistilBERT, дообученная на distilbert/distilbert-base-uncased. Карточка сообщает значение loss 0,0104 на наборе для оценки, но не описывает классы и назначение классификации.

Модель принимает текст и относит его к одной из обученных категорий; её можно использовать в сценариях, где категории заранее определены. Архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. README не приводит подробностей о данных, метриках и ограничениях применимости. Лицензия — Apache-2.0.

Сценарии применения

классификация текста по заранее заданным категориям
автоматическая сортировка текстовых сообщений
присвоение меток коротким текстам

Ограничения

Карточка не указывает, какие именно категории предсказываются, и не описывает обучающие данные. Контекст ограничен 512 токенами; значение loss само по себе не позволяет оценить качество на новых данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

question_classifier_model

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0104

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: 1e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss
0.0117	1.0	4140	0.0030
0.0028	2.0	8280	0.0066
0.0	3.0	12420	0.0140
0.0	4.0	16560	0.0130
0.0	5.0	20700	0.0104

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: f6c3847