Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 5 авг 2024

Ссылки

Hugging Face

ps_test

theunmans

Классификация текстаТекст → label

Дообученная англоязычная модель DistilBERT для классификации текстовых последовательностей.

11скачиваний 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

ps_test — модель классификации текста на базе DistilBERT, дообученная автором theunmans на неизвестном наборе данных. Она предназначена для классификации последовательностей текста; конкретные классы и сценарии применения в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, формат safetensors и контекст до 512 токенов. Базовая модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Карточка не содержит сведений о качестве, обучающих данных и ограничениях, поэтому надёжность классификации и применимость к конкретной предметной области не установлены.

Сценарии применения

Классификация английских текстовых последовательностей
Отнесение текста к заданным категориям после адаптации под нужную задачу
Эксперименты с классификацией текста на базе DistilBERT

Ограничения

Не описаны обучающие данные, набор классов и результаты оценки, поэтому качество и пригодность для конкретных задач не установлены. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ps_test

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset.

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Framework versions

Transformers 4.43.3
Pytorch 2.4.0+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: DistilBertForSequenceClassification
Ревизия весов: 0d50411