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: 3 мар 2024

Ссылки

Hugging Face

tiny-bert-sst2-distilled

xuancoblab2023

Классификация текстаТекст → label3 профессии

Компактная англоязычная BERT-модель для классификации тональности коротких текстов.

120скачиваний за 30 дней0лайковвеса обновлены3 мая 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/tiny-bert-sst2-distilled — компактная модель классификации последовательностей, дообученная автором на базе google/bert_uncased_L-2-H-128_A-2. Она предназначена для определения тональности английских текстов по двум классам набора SST-2 и может использоваться для классификации коротких отзывов и высказываний. Модель содержит 4,4 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов.

На оценочном наборе указаны accuracy 0,7631, precision 0,7071, recall 0,4941 и F1 0,5817; результаты указывают на ограниченное качество, особенно по полноте. Данные обучения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Определение положительной или отрицательной тональности отзыва
Классификация тональности коротких пользовательских комментариев
Анализ тональности англоязычных высказываний

Ограничения

На оценочном наборе F1 составляет 0,5817, а полнота — 0,4941, поэтому качество может быть недостаточным для чувствительных к ошибкам сценариев. Карточка не описывает обучающие данные и подробные ограничения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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

tiny-bert-sst2-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: 0.4932
Accuracy: 0.7631
Recall: 0.4941
Precision: 0.7071
F1: 0.5817
Mcc: 0.4369

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: 0.0005029644721099001
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	Recall	Precision	F1	Mcc
0.6337	1.0	160	0.6248	0.6667	0.0	0.0	0.0	0.0
0.5902	2.0	320	0.5729	0.6612	0.3318	0.4879	0.3950	0.1775
0.5727	3.0	480	0.5756	0.6651	0.4565	0.4974	0.4761	0.2311
0.5631	4.0	640	0.5504	0.6941	0.2494	0.5989	0.3522	0.2262
0.5486	5.0	800	0.5304	0.7176	0.4918	0.5921	0.5373	0.3396
0.5381	6.0	960	0.5163	0.7310	0.3976	0.6602	0.4963	0.3475
0.526	7.0	1120	0.5090	0.7467	0.5859	0.6288	0.6066	0.4207
0.5149	8.0	1280	0.4971	0.7584	0.5176	0.6811	0.5882	0.4297
0.5088	9.0	1440	0.4932	0.7631	0.4941	0.7071	0.5817	0.4369

Framework versions

Transformers 4.40.0
Pytorch 2.2.1+cu121
Datasets 2.19.0
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: 2069895