Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-p1
Опубликована: 27 ноя 2023

Ссылки

Hugging Face

distilbert-p3

wnic00

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации текста с контекстом до 512 токенов.

8скачиваний за 30 дней0лайковвеса обновлены27 ноя 2023

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

wnic00/distilbert-p3 — дообученная модель DistilBERT для классификации текста, созданная на основе wnic00/distilbert-p1. Она предназначена для присвоения тексту класса; конкретные категории и сценарии применения в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, веса в формате PyTorch и контекст до 512 токенов. Базовая модель описана как мультиязычная и предназначенная, в частности, для анализа тональности, но применимость этих возможностей к данной версии не подтверждена.

На оценочном наборе указаны loss 1.1781 и accuracy 0.6667. Датасет и подробности обучения не раскрыты, поэтому эти результаты не позволяют оценить качество для конкретной задачи. Лицензия — Apache-2.0.

Сценарии применения

классификация текстовых сообщений по заданным категориям
автоматическая разметка текстов для последующей обработки
экспериментальная оценка тональности текста на совместимых данных

Ограничения

Датасет, метки классов и подробности обучения не указаны; на оценочном наборе accuracy составляет 0.6667. Мультиязычность и анализ тональности отмечены для базовой модели, но не подтверждены отдельно для этой версии.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-p3

This model is a fine-tuned version of wnic00/distilbert-p1 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.1781
Accuracy: 0.6667

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: 1e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	470	0.9560	0.6784
0.4668	2.0	940	0.9468	0.6688
0.4661	3.0	1410	1.0576	0.6645
0.3769	4.0	1880	1.1325	0.6677
0.3449	5.0	2350	1.1781	0.6667

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cpu
Datasets 2.14.4
Tokenizers 0.13.0

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: DistilBertForSequenceClassification
Ревизия весов: f652f1d