Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert_uncased_L-2_H-128_A-2
Опубликована: 26 июл 2024

Ссылки

Hugging Face

Bert_tinybert-distilled

xuancoblab2023

Классификация текстаТекст → label3 профессии

Компактная англоязычная BERT-модель для классификации текста, дообученная на неуказанном наборе данных.

54скачиваний за 30 дней0лайковвеса обновлены26 июл 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

xuancoblab2023/Bert_tinybert-distilled — дообученная для классификации последовательностей модель на базе компактной англоязычной google/bert_uncased_L-2_H-128_A-2. Она содержит 4,4 млн параметров, принимает текст длиной до 512 токенов и выдаёт метки классов. В README приведены результаты оценки: accuracy 0,7973, ROC AUC 0,8745, MCC 0,6019 и PR AUC 0,8517. Набор данных и конкретная схема классификации не описаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация коротких англоязычных текстов
присвоение категорий текстовым последовательностям
оценка принадлежности текста к одному из классов

Ограничения

Назначение классов и обучающий набор данных не описаны, поэтому применимость к конкретной предметной области неясна. Приведённые метрики относятся к указанному в README набору оценки; его состав не раскрыт.

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bert_tinybert-distilled

This model is a fine-tuned version of google/bert_uncased_L-2_H-128_A-2 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4565
Accuracy: 0.7973
Auc: 0.8745
Mcc: 0.6019
Pr Auc: 0.8517
Bac: 0.7973

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: 0.0003098011180790181
train_batch_size: 32
eval_batch_size: 32
seed: 33
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 9

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Auc	Mcc	Pr Auc	Bac
0.6039	1.0	172	0.5328	0.7033	0.8094	0.4152	0.7669	0.7033
0.5426	2.0	344	0.4892	0.78	0.8386	0.5777	0.7876	0.78
0.5225	3.0	516	0.4794	0.7847	0.8532	0.5774	0.8195	0.7847
0.5069	4.0	688	0.4593	0.7973	0.8656	0.5988	0.8310	0.7973
0.4971	5.0	860	0.4636	0.8	0.8696	0.6114	0.8421	0.8
0.479	6.0	1032	0.4567	0.802	0.8744	0.6146	0.8520	0.802
0.4733	7.0	1204	0.4559	0.8007	0.8706	0.6054	0.8510	0.8007
0.4647	8.0	1376	0.4525	0.8033	0.8733	0.6108	0.8499	0.8033
0.4646	9.0	1548	0.4565	0.7973	0.8745	0.6019	0.8517	0.7973

Framework versions

Transformers 4.43.2
Pytorch 2.3.1+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: BertForSequenceClassification
Ревизия весов: 932a897