/ Модель
Каталог

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Библиотека
transformers
Опубликована
30 сен 2024

Ссылки

Hugging Face

categor_ai_23_cats

tinutmap
Классификация текстаТекст → label4 профессии

Дообученная DistilBERT-модель для отнесения текста к одной из 23 категорий.

11скачиваний за 30 дней0лайковвеса обновлены9 окт 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

categorai23cats — дообученная модель DistilBERT для классификации текстов по 23 категориям. Она основана на distilbert-base-uncased и предназначена для присвоения тексту категории в сценариях, где набор классов заранее определён. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов.

В README указаны результаты оценки: accuracy 0,7426 и loss 1,6794. Названия категорий и данные о наборе обучения не приведены, поэтому применимость к конкретной тематике неясна. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Классификация текста по 23 категориям
  • Автоматическая сортировка текстовых записей по классам
  • Разметка текстов заранее заданными категориями

Ограничения

Названия 23 классов и сведения о данных обучения не приведены, поэтому предметную область модели определить нельзя. На оценочной выборке указана точность 0,7426.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022моделиII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

categor_ai_23_cats

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.6794
  • Accuracy: 0.7426

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: 100

Training results

Training LossEpochStepValidation LossAccuracy
No log1.0582.74130.2970
No log2.01162.27900.4208
No log3.01741.93050.5718
No log4.02321.64360.6238
No log5.02901.41040.6708
No log6.03481.24120.6931
No log7.04061.13420.7376
No log8.04641.06720.7302
1.57939.05221.02240.7228
1.579310.05801.01480.7302
1.579311.06381.01170.7351
1.579312.06961.05800.7153
1.579313.07541.10210.7104
1.579314.08121.10370.7327
1.579315.08701.13910.7351
1.579316.09281.16270.7252
1.579317.09861.15680.7450
0.140618.010441.21210.7203
0.140619.011021.24660.7302
0.140620.011601.24640.7327
0.140621.012181.28320.7302
0.140622.012761.29300.7277
0.140623.013341.30460.7351
0.140624.013921.30810.7376
0.140625.014501.33470.7351
0.013326.015081.34630.7376
0.013327.015661.35750.7351
0.013328.016241.36020.7401
0.013329.016821.38030.7327
0.013330.017401.40090.7302
0.013331.017981.39540.7351
0.013332.018561.41640.7277
0.013333.019141.38610.7401
0.013334.019721.41930.7376
0.006735.020301.43690.7327
0.006736.020881.44360.7327
0.006737.021461.46090.7327
0.006738.022041.47180.7302
0.006739.022621.46170.7302
0.006740.023201.47660.7401
0.006741.023781.46640.7327
0.006742.024361.51110.7351
0.006743.024941.51580.7401
0.004644.025521.51370.7327
0.004645.026101.50830.7327
0.004646.026681.51270.7302
0.004647.027261.52640.7302
0.004648.027841.53650.7327
0.004649.028421.53980.7351
0.004650.029001.55350.7302
0.004651.029581.53960.7401
0.003352.030161.54320.7376
0.003353.030741.60680.7228
0.003354.031321.59970.7277
0.003355.031901.56850.7401
0.003356.032481.57440.7302
0.003357.033061.58250.7327
0.003358.033641.57900.7351
0.003359.034221.58200.7327
0.003360.034801.58350.7327
0.002961.035381.57780.7351
0.002962.035961.59490.7302
0.002963.036541.59960.7376
0.002964.037121.62610.7302
0.002965.037701.59510.7351
0.002966.038281.61970.7426
0.002967.038861.60850.7376
0.002968.039441.61860.7351
0.002769.040021.62410.7376
0.002770.040601.62970.7351
0.002771.041181.63470.7327
0.002772.041761.63330.7327
0.002773.042341.63200.7327
0.002774.042921.63350.7302
0.002775.043501.63040.7351
0.002776.044081.63870.7351
0.002777.044661.63690.7376
0.002678.045241.63830.7376
0.002679.045821.64040.7376
0.002680.046401.63510.7351
0.002681.046981.67080.7277
0.002682.047561.66950.7302
0.002683.048141.66680.7277
0.002684.048721.66950.7277
0.002685.049301.68040.7277
0.002686.049881.68010.7277
0.002487.050461.67620.7327
0.002488.051041.67960.7302
0.002489.051621.68460.7302
0.002490.052201.67970.7277
0.002491.052781.68640.7302
0.002492.053361.69060.7302
0.002493.053941.68490.7302
0.002494.054521.67920.7351
0.001995.055101.67800.7351
0.001996.055681.67800.7302
0.001997.056261.67860.7351
0.001998.056841.67950.7351
0.001999.057421.67950.7401
0.0019100.058001.67940.7426

Framework versions

  • Transformers 4.44.1
  • Pytorch 2.3.1
  • Datasets 2.19.1
  • Tokenizers 0.19.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
14870c7

0 моделей

    Создать бенчмарк