Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Архитектура: roberta · dense
Опубликована: 30 мар 2022

Ссылки

Hugging Face

autotrain-security-texts-classification-distilroberta-688220764

vlsb

Классификация текстаТекст → label3 профессии

Бинарный классификатор на базе RoBERTa для отнесения текстов о безопасности к одному из двух классов.

30скачиваний за 30 дней6лайковвеса обновлены30 мар 2022

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

Модель vlsb/autotrain-security-texts-classification-distilroberta-688220764 — классификатор текстов для бинарной классификации, созданный с помощью AutoTrain. Она основана на архитектуре RoBERTa и содержит 95,2 млн параметров; принимает текст и возвращает результат классификации. Модель рассчитана на тексты длиной до 514 токенов.

По названию репозитория и датасета модель предназначена для классификации текстов по тематике безопасности. В карточке приведены метрики валидации: accuracy 0,903, precision 0,953, recall 0,878, F1 0,914 и AUC 0,944. Эти показатели относятся к использованному набору данных и не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.

Сценарии применения

Классификация текстов по тематике безопасности
Автоматическая сортировка сообщений о безопасности по двум категориям
Предварительная разметка текстов для проверки специалистом

Ограничения

Бинарная классификация ограничена классами и данными, использованными при обучении; качество на других текстах может отличаться. Поддерживаемые языки не установлены по предоставленным сведениям.

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 IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

Problem type: Binary Classification
Model ID: 688220764
CO2 Emissions (in grams): 2.0817207656772445

Validation Metrics

Loss: 0.3055502772331238
Accuracy: 0.9030612244897959
Precision: 0.9528301886792453
Recall: 0.8782608695652174
AUC: 0.9439076757917337
F1: 0.9140271493212669

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/vlsb/autotrain-security-texts-classification-distilroberta-688220764

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("vlsb/autotrain-security-texts-classification-distilroberta-688220764", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("vlsb/autotrain-security-texts-classification-distilroberta-688220764", use_auth_token=True)

inputs = tokenizer("I love AutoTrain", return_tensors="pt")

outputs = model(**inputs)

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: ee95129