Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 20 июл 2022

Ссылки

Hugging Face

DEREXP

zluvolyote

Классификация текстаТекст → label3 профессии

DEREXP — дообученная DistilBERT-модель для классификации текста.

8скачиваний за 30 дней0лайковвеса обновлены21 июл 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

DEREXP — дообученная модель DistilBERT для классификации текстов, основанная на distilbert-base-uncased. В метаданных указаны архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель распространяется по лицензии Apache-2.0.

Карточка сообщает результаты оценки: loss и MSE — 3,1590, MAE — 1,3397, R² — 0,4465, accuracy — 0,2528. Назначение классов, обучающие данные и предполагаемые сценарии применения не описаны, поэтому интерпретировать качество оценки для конкретной задачи нельзя.

Сценарии применения

Классификация текстовых последовательностей

Ограничения

Не описаны обучающий датасет, набор меток и целевые сценарии; указанные метрики без этих сведений трудно интерпретировать. Контекст ограничен 512 токенами.

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

DEREXP

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 3.1590
Mse: 3.1590
Mae: 1.3397
R2: 0.4465
Accuracy: 0.2528

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Mse	Mae	R2	Accuracy
14.7557	0.01	500	4.3307	4.3307	1.6240	0.2411	0.1976
4.5754	0.02	1000	4.1273	4.1273	1.5719	0.2768	0.2084
4.2925	0.02	1500	4.3074	4.3074	1.6155	0.2452	0.2012
3.9816	0.03	2000	3.7767	3.7767	1.5008	0.3382	0.2134
3.9171	0.04	2500	3.7033	3.7033	1.4732	0.3511	0.2304
3.946	0.05	3000	3.6217	3.6217	1.4552	0.3654	0.2352
4.1	0.06	3500	3.6101	3.6101	1.4612	0.3674	0.2216
3.8535	0.06	4000	3.6160	3.6160	1.4576	0.3664	0.2294
3.9037	0.07	4500	3.5864	3.5864	1.4476	0.3716	0.2374
3.9358	0.08	5000	3.5087	3.5087	1.4237	0.3852	0.2414
3.8062	0.09	5500	3.6085	3.6085	1.4595	0.3677	0.2256
3.8802	0.1	6000	3.6371	3.6371	1.4615	0.3627	0.223
3.7239	0.1	6500	3.5191	3.5191	1.4278	0.3834	0.2324
3.7618	0.11	7000	3.8408	3.8408	1.4973	0.3270	0.2316
3.7217	0.12	7500	3.8241	3.8241	1.5046	0.3299	0.2236
3.8204	0.13	8000	3.5290	3.5290	1.4256	0.3816	0.2388
3.7211	0.14	8500	3.6903	3.6903	1.4674	0.3534	0.227
3.7243	0.14	9000	3.4718	3.4718	1.4201	0.3917	0.231
3.7713	0.15	9500	3.8970	3.8970	1.5304	0.3171	0.2092
3.6289	0.16	10000	3.5273	3.5273	1.4255	0.3819	0.2388
3.7516	0.17	10500	3.9020	3.9020	1.5230	0.3163	0.2138
3.7491	0.18	11000	3.4809	3.4809	1.4209	0.3901	0.2378
3.7809	0.18	11500	3.8779	3.8779	1.5087	0.3205	0.229
3.7163	0.19	12000	3.5177	3.5177	1.4330	0.3836	0.2298
3.732	0.2	12500	3.9986	3.9986	1.5401	0.2993	0.218
3.7381	0.21	13000	3.4782	3.4782	1.4277	0.3905	0.2302
3.7652	0.22	13500	3.6239	3.6239	1.4587	0.3650	0.2244
3.6003	0.22	14000	3.4873	3.4873	1.4288	0.3889	0.2316
3.6865	0.23	14500	3.5895	3.5895	1.4511	0.3710	0.23
3.7398	0.24	15000	3.8835	3.8835	1.5183	0.3195	0.2172
3.5939	0.25	15500	3.6334	3.6334	1.4643	0.3633	0.2256
3.691	0.26	16000	3.4251	3.4251	1.3994	0.3998	0.2488
3.7279	0.26	16500	3.3956	3.3956	1.4034	0.4050	0.2336
3.797	0.27	17000	3.4029	3.4029	1.3968	0.4037	0.2486
3.684	0.28	17500	3.5831	3.5831	1.4451	0.3721	0.2304
3.5894	0.29	18000	3.6120	3.6120	1.4492	0.3671	0.2338
3.5938	0.3	18500	3.4975	3.4975	1.4240	0.3871	0.231
3.4948	0.3	19000	3.4791	3.4791	1.4167	0.3904	0.24
3.6527	0.31	19500	3.3409	3.3409	1.3817	0.4146	0.2474
3.5545	0.32	20000	3.3412	3.3412	1.3860	0.4145	0.2466
3.6102	0.33	20500	3.4148	3.4148	1.3961	0.4016	0.2488
3.542	0.34	21000	3.5980	3.5980	1.4508	0.3695	0.2244
3.5081	0.34	21500	3.6310	3.6310	1.4488	0.3637	0.2372
3.7745	0.35	22000	3.5246	3.5246	1.4294	0.3824	0.2378
3.5048	0.36	22500	3.4395	3.4395	1.4126	0.3973	0.241
3.6374	0.37	23000	3.3863	3.3863	1.3928	0.4066	0.247
3.5231	0.38	23500	3.5991	3.5991	1.4468	0.3693	0.2348
3.5893	0.38	24000	3.2910	3.2910	1.3692	0.4233	0.2504
3.5051	0.39	24500	3.3765	3.3765	1.3953	0.4083	0.2394
3.6082	0.4	25000	3.3060	3.3060	1.3830	0.4207	0.2412
3.4009	0.41	25500	3.4448	3.4448	1.4095	0.3964	0.2404
3.4239	0.42	26000	3.4127	3.4127	1.4027	0.4020	0.2412
3.6036	0.42	26500	3.5339	3.5339	1.4405	0.3808	0.2266
3.4107	0.43	27000	3.3319	3.3319	1.3776	0.4162	0.2542
3.3903	0.44	27500	3.4434	3.4434	1.4072	0.3966	0.2486
3.5583	0.45	28000	3.3119	3.3119	1.3728	0.4197	0.2516
3.4701	0.46	28500	3.3733	3.3733	1.3910	0.4089	0.2494
3.4113	0.46	29000	3.4144	3.4144	1.4027	0.4017	0.2414
3.5731	0.47	29500	3.3822	3.3822	1.3911	0.4073	0.2428
3.5738	0.48	30000	3.4408	3.4408	1.4120	0.3971	0.2386
3.481	0.49	30500	3.3255	3.3255	1.3794	0.4173	0.2514
3.4716	0.5	31000	3.2817	3.2817	1.3703	0.4250	0.2492
3.5487	0.5	31500	3.3388	3.3388	1.3851	0.4149	0.2472
3.2559	0.51	32000	3.3552	3.3552	1.3847	0.4121	0.249
3.5715	0.52	32500	3.2896	3.2896	1.3692	0.4236	0.251
3.4085	0.53	33000	3.2690	3.2690	1.3685	0.4272	0.2522
3.5582	0.54	33500	3.3228	3.3228	1.3800	0.4178	0.2462
3.4105	0.54	34000	3.4462	3.4462	1.4089	0.3961	0.2474
3.5401	0.55	34500	3.3181	3.3181	1.3751	0.4186	0.2558
3.4213	0.56	35000	3.2455	3.2455	1.3592	0.4313	0.2548
3.4644	0.57	35500	3.3900	3.3900	1.4004	0.4060	0.2388
3.4277	0.58	36000	3.2150	3.2150	1.3506	0.4366	0.2558
3.3376	0.58	36500	3.3522	3.3522	1.3944	0.4126	0.24
3.4311	0.59	37000	3.4152	3.4152	1.3980	0.4016	0.2498
3.336	0.6	37500	3.2996	3.2996	1.3674	0.4218	0.2594
3.3557	0.61	38000	3.2040	3.2040	1.3499	0.4386	0.2486
3.3586	0.62	38500	3.2784	3.2784	1.3632	0.4255	0.2534
3.3187	0.62	39000	3.3466	3.3466	1.3832	0.4136	0.2468
3.3899	0.63	39500	3.3209	3.3209	1.3795	0.4181	0.25
3.4483	0.64	40000	3.4685	3.4685	1.4165	0.3922	0.2436
3.3463	0.65	40500	3.3874	3.3874	1.3961	0.4064	0.2448
3.373	0.66	41000	3.2243	3.2243	1.3518	0.4350	0.2562
3.4526	0.66	41500	3.2819	3.2819	1.3693	0.4249	0.253
3.3581	0.67	42000	3.3412	3.3412	1.3843	0.4145	0.2456
3.4551	0.68	42500	3.2484	3.2484	1.3594	0.4308	0.2574
3.4022	0.69	43000	3.2010	3.2010	1.3468	0.4391	0.2568
3.3281	0.7	43500	3.3184	3.3184	1.3764	0.4185	0.2476
3.4044	0.7	44000	3.2361	3.2361	1.3528	0.4329	0.2506
3.3427	0.71	44500	3.2269	3.2269	1.3557	0.4346	0.2492
3.4106	0.72	45000	3.2758	3.2758	1.3733	0.4260	0.2434
3.4406	0.73	45500	3.2235	3.2235	1.3548	0.4352	0.2526
3.491	0.74	46000	3.2842	3.2842	1.3688	0.4245	0.2496
3.4671	0.74	46500	3.1811	3.1811	1.3464	0.4426	0.249
3.5774	0.75	47000	3.2649	3.2649	1.3608	0.4279	0.251
3.4953	0.76	47500	3.2681	3.2681	1.3616	0.4273	0.2538
3.4212	0.77	48000	3.4407	3.4407	1.4088	0.3971	0.2424
3.3285	0.78	48500	3.3279	3.3279	1.3771	0.4169	0.2454
3.361	0.78	49000	3.3717	3.3717	1.3910	0.4092	0.243
3.5419	0.79	49500	3.2851	3.2851	1.3748	0.4244	0.2448
3.3979	0.8	50000	3.3991	3.3991	1.4039	0.4044	0.2378
3.3354	0.81	50500	3.2636	3.2636	1.3650	0.4281	0.2456
3.4488	0.82	51000	3.2604	3.2604	1.3695	0.4287	0.243
3.2583	0.82	51500	3.2759	3.2759	1.3759	0.4260	0.2442
3.3419	0.83	52000	3.2789	3.2789	1.3728	0.4254	0.2494
3.4243	0.84	52500	3.2993	3.2993	1.3772	0.4219	0.2486
3.3154	0.85	53000	3.2350	3.2350	1.3585	0.4331	0.2528
3.3462	0.86	53500	3.2361	3.2361	1.3594	0.4329	0.2516
3.4554	0.86	54000	3.2307	3.2307	1.3548	0.4339	0.2528
3.5053	0.87	54500	3.1970	3.1970	1.3494	0.4398	0.2526
3.2745	0.88	55000	3.2506	3.2506	1.3614	0.4304	0.2546
3.3788	0.89	55500	3.2090	3.2090	1.3540	0.4377	0.2516
3.3216	0.9	56000	3.3347	3.3347	1.3857	0.4157	0.2462
3.2991	0.9	56500	3.1590	3.1590	1.3397	0.4465	0.2528
3.175	0.91	57000	3.2950	3.2950	1.3734	0.4226	0.2534
3.4697	0.92	57500	3.2021	3.2021	1.3483	0.4389	0.255
3.2413	0.93	58000	3.2157	3.2157	1.3523	0.4365	0.2518
3.3949	0.94	58500	3.2709	3.2709	1.3678	0.4268	0.2494
3.3502	0.94	59000	3.2263	3.2263	1.3558	0.4347	0.253
3.3492	0.95	59500	3.2667	3.2667	1.3659	0.4276	0.2538
3.3568	0.96	60000	3.1717	3.1717	1.3410	0.4442	0.2542
3.3886	0.97	60500	3.1800	3.1800	1.3444	0.4428	0.2534
3.2994	0.98	61000	3.2166	3.2166	1.3539	0.4364	0.2498
3.3381	0.98	61500	3.1964	3.1964	1.3484	0.4399	0.2534
3.351	0.99	62000	3.1664	3.1664	1.3393	0.4452	0.2538
3.4063	1.0	62500	3.1764	3.1764	1.3421	0.4434	0.2542

Framework versions

Transformers 4.20.1
Pytorch 1.12.0+cu113
Datasets 2.3.2
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: DistilBertForSequenceClassification
Ревизия весов: 6460439