/ Модель

Характеристики

Контекст
512 токенов
Параметры
155 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
pd_tg
Опубликована
30 июл 2024

pd_cate

Классификация текстаТекст → label

Дообученная модель DeBERTa V2 для классификации текста с ограничением контекста 512 токенов.

8скачиваний за 30 дней0лайковвеса обновлены30 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

pdcate — модель классификации текста, дообученная автором tangminhanh на базе tangminhanh/pd_tg. Она предназначена для присвоения тексту метки класса. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит около 155 млн параметров и принимает последовательности длиной до 512 токенов.

В README приведены результаты оценки: accuracy 0,5425, F1 0,6125, precision 0,7033 и recall 0,5424. Датасет указан как None, а назначение конкретных классов и предметная область не описаны, поэтому применимость результатов к конкретным данным оценить нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

  • присвоение меток текстовым последовательностям
  • классификация пользовательских текстов
  • автоматическая разметка текстов по классам

Ограничения

Назначение классов и предметная область не описаны; результаты оценки умеренные (accuracy 0,5425, F1 0,6125) и могут не переноситься на другие данные.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pd_cate

This model is a fine-tuned version of tangminhanh/pd_tg on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1397
  • Accuracy: 0.5425
  • F1: 0.6125
  • Precision: 0.7033
  • Recall: 0.5424

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
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 8

Training results

Training LossEpochStepValidation LossAccuracyF1PrecisionRecall
No log1.01080.40290.29220.29480.29810.2915
No log2.02160.24050.00.00.00.0
No log3.03240.21190.00470.00921.00.0046
No log4.04320.17920.35160.46000.66810.3508
0.31635.05400.16080.41790.51990.69040.4170
0.31636.06480.14750.50990.59530.70830.5134
0.31637.07560.14160.51800.60150.71700.5180
0.31638.08640.13970.54250.61250.70330.5424

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
f51e18e

0 моделей