Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Архитектура: roberta · dense
Опубликована: 4 авг 2022

Ссылки

Hugging Face

distilroberta-base-finetuned-marktextepoch_200

yochen

Классификация текстаТекст → label3 профессии

Модель RoBERTa с 95,2 млн параметров для классификации текста, обученная на неизвестном наборе данных.

8скачиваний за 30 дней0лайковвеса обновлены4 авг 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

yochen/distilroberta-base-finetuned-marktextepoch_200 — модель классификации текста на базе архитектуры RoBERTa, содержащая 95,2 млн параметров. Карточка сообщает, что модель обучалась с нуля на неизвестном наборе данных, но не описывает метки классов, область применения или результаты оценки.

Модель принимает текст и выдаёт результат классификации. Контекст составляет до 514 токенов. В метаданных указан формат PyTorch. Лицензия и поддерживаемые естественные языки не приведены, поэтому конкретные сценарии и качество классификации оценить нельзя.

Сценарии применения

Классификация текстовых фрагментов по заданным меткам
Эксперименты с классификацией текста на базе RoBERTa
Тестирование модели классификации в приложении на PyTorch

Ограничения

Набор данных, метки классов и результаты оценки не описаны, поэтому пригодность для конкретной задачи не установлена. В README заявлено обучение с нуля, хотя название модели указывает на дообучение DistilRoBERTa; происхождение требует уточнения.

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

distilroberta-base-finetuned-marktextepoch_200

This model was trained from scratch on an unknown dataset.

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: 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: 200

Framework versions

Transformers 4.21.0
Pytorch 1.12.0+cu102
Datasets 2.4.0
Tokenizers 0.12.1

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: RobertaForSequenceClassification
Ревизия весов: f414c50