Характеристики

Контекст: 512 токенов
Параметры: 155 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-small
Опубликована: 23 июл 2024

Ссылки

Hugging Face

hr_cate

tangminhanh

Классификация текстаТекст → label

Дообученная DeBERTa V3 Small для классификации текстовых последовательностей.

6скачиваний за 30 дней0лайковвеса обновлены23 июл 2024

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

hr_cate — модель классификации текста на основе microsoft/deberta-v3-small, дообученная автором tangminhanh. Она содержит около 155 млн параметров, использует архитектуру DeBERTa V2 и принимает текст длиной до 512 токенов. Модель предназначена для отнесения текстовых последовательностей к классам; конкретная предметная область и значения классов в карточке не описаны.

На приведённом наборе оценки модель показала accuracy 0,7833, F1 0,8459, precision 0,9146 и recall 0,7869. Данные обучения и подробности применения не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

Классификация текста по заданным классам
Разметка текстовых записей для последующей обработки
Оценка принадлежности текста к категории

Ограничения

Названия классов, предметная область и данные обучения не описаны, поэтому пригодность для конкретного сценария требует проверки. Контекст ограничен 512 токенами; приведённые метрики относятся к оценочному набору модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hr_cate

This model is a fine-tuned version of microsoft/deberta-v3-small on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0404
Accuracy: 0.7833
F1: 0.8459
Precision: 0.9146
Recall: 0.7869

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: 32
eval_batch_size: 64
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	Accuracy	F1	Precision	Recall
No log	1.0	227	0.0946	0.4140	0.5702	0.9179	0.4136
No log	2.0	454	0.0573	0.6871	0.7845	0.9153	0.6864
0.1387	3.0	681	0.0468	0.7629	0.8291	0.9091	0.7620
0.1387	4.0	908	0.0420	0.7722	0.8372	0.9138	0.7725
0.0456	5.0	1135	0.0404	0.7833	0.8459	0.9146	0.7869

Framework versions

Transformers 4.42.4
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: DebertaV2ForSequenceClassification
Ревизия весов: 2eaf2b3