Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Опубликована: 5 июн 2024

Ссылки

Hugging Face

roberta-base-fp-sick

varun-v-rao

Классификация текстаТекст → label3 профессии

Дообученная на SICK модель RoBERTa-base для классификации текстовых последовательностей.

18скачиваний за 30 дней0лайковвеса обновлены5 июн 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

varun-v-rao/roberta-base-fp-sick — модель классификации последовательностей на базе RoBERTa-base, дообученная на датасете SICK. Она предназначена для классификации текстовых примеров; на оценочной выборке автор сообщает accuracy 0,8788 и loss 0,3257. Модель содержит 151,8 млн параметров, имеет контекст до 514 токенов и распространяется в формате safetensors.

Модель подойдёт для экспериментов и прикладных задач классификации текста, связанных с данными SICK. Карточка не уточняет набор меток и конкретную схему классификации, поэтому переносить показатели на другие данные без собственной оценки не следует. Лицензия — MIT.

Сценарии применения

Классификация текстовых примеров из датасета SICK
Оценка качества классификатора на тестовой выборке SICK
Эксперименты с классификацией предложений на основе RoBERTa

Ограничения

В карточке не описаны схема меток и предполагаемые сценарии применения; указанные метрики относятся только к оценочной выборке SICK. Контекст ограничен 514 токенами.

Для каких профессий подходит3

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 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.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

roberta-base-fp-sick

This model is a fine-tuned version of roberta-base on the sick dataset. It achieves the following results on the evaluation set:

Loss: 0.3257
Accuracy: 0.8788

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: 32
seed: 59
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	70	0.3581	0.8768
No log	2.0	140	0.3995	0.8465
No log	3.0	210	0.3257	0.8788

Framework versions

Transformers 4.35.2
Pytorch 2.0.1+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: RobertaForSequenceClassification
Ревизия весов: 9d27d10