Характеристики

Контекст: 512 токенов
Параметры: 155 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-small
Опубликована: 5 авг 2024

Ссылки

Hugging Face

ts_tg

tangminhanh

Классификация текстаТекст → label

Дообученная на базе DeBERTa V3 Small модель для классификации текстовых последовательностей.

10скачиваний за 30 дней0лайковвеса обновлены5 авг 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

tangminhanh/ts_tg — компактная модель классификации последовательностей на базе DeBERTa V3 Small, дообученная разработчиком tangminhanh. Она предназначена для классификации текста. Веса опубликованы в формате safetensors; модель содержит около 155 млн параметров и принимает последовательности длиной до 512 токенов.

В README приведены результаты на наборе оценки: accuracy 0,8517, F1 0,8759, precision 0,8996 и recall 0,8533. Датасет и конкретные классы не описаны, поэтому применимость к отдельным сценариям оценить нельзя. Лицензия — MIT.

Сценарии применения

Классификация текстов по заданным категориям
Автоматическая разметка текстовых записей
Присвоение меток коротким текстовым последовательностям

Ограничения

В README не указаны обучающий датасет, классы и предполагаемые сценарии применения, поэтому метрики оценки нельзя уверенно переносить на другие данные. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ts_tg

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: 0.0516
Accuracy: 0.8517
F1: 0.8759
Precision: 0.8996
Recall: 0.8533

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: 64
eval_batch_size: 128
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
No log	1.0	202	0.1370	0.5242	0.6378	0.8129	0.5248
No log	2.0	404	0.0857	0.6877	0.7700	0.8749	0.6875
0.1567	3.0	606	0.0667	0.7810	0.8331	0.8929	0.7809
0.1567	4.0	808	0.0593	0.8145	0.8525	0.8947	0.8142
0.0566	5.0	1010	0.0554	0.8406	0.8668	0.8926	0.8425
0.0566	6.0	1212	0.0529	0.8437	0.8718	0.8994	0.8459
0.0566	7.0	1414	0.0522	0.8474	0.8737	0.8992	0.8496
0.0383	8.0	1616	0.0516	0.8517	0.8759	0.8996	0.8533

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: 9072394