/ Модель

Характеристики

Контекст
512 токенов
Архитектура
distilbert · dense

distilbert-base-uncased-CoLA

Классификация текстаТекст → label3 профессии

Модель TextAttack на базе DistilBERT классифицирует английские предложения по грамматической приемлемости.

3 434скачиваний за 30 дней4лайкавеса обновлены6 июл 2020

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

Это модель классификации предложений на базе DistilBERT, опубликованная TextAttack. Она дообучена на наборе CoLA для определения грамматической приемлемости предложений и подходит для проверки грамматики и фильтрации некорректных фраз. В карточке указано, что модель обучали пять эпох с максимальной длиной последовательности 128 токенов; точность на оценочной выборке составила около 0,824. Метаданные указывают архитектуру DistilBertForSequenceClassification и контекст до 512 токенов. Модель распространяется в формате PyTorch.

Сценарии применения

  • оценка грамматической правильности английских предложений
  • поиск неграмматичных фраз в текстах
  • автоматическая проверка примеров для учебных материалов

Ограничения

Модель обучена на CoLA и ориентирована на английские предложения; точность на указанной оценочной выборке — около 0,824. В карточке описано обучение с длиной последовательности до 128 токенов, поэтому результаты на более длинных текстах могут быть ненадёжны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TextAttack Model Cardand the glue dataset loaded using the nlp library. The model was fine-tuned

for 5 epochs with a batch size of 64, a learning rate of 3e-05, and a maximum sequence length of 128. Since this was a classification task, the model was trained with a cross-entropy loss function. The best score the model achieved on this task was 0.8235858101629914, as measured by the eval set accuracy, found after 2 epochs.

For more information, check out TextAttack on Github.

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
a498794

0 моделей