Convbert Base Turkish Mc4 Cased Allnli Tr

由 emrecan 开发

基于ConvBERT架构的土耳其语零样本分类模型，在自然语言推理任务上微调，适用于多类别文本分类

文本分类

Transformers

其他

开源协议:Apache-2.0 #土耳其语零样本分类 #自然语言推理 #高准确率

下载量 23

发布时间 : 3/2/2022

模型介绍

内容详情

替代品

模型简介

该模型是在土耳其语ConvBERT基础上微调的零样本分类器，能够对土耳其语文本进行多类别分类而无需特定任务的训练数据

模型特点

零样本分类能力

无需特定任务训练即可对新类别进行分类

土耳其语优化

专门针对土耳其语文本处理进行优化

高准确率

在评估集上达到81.11%的准确率

模型能力

土耳其语文本分类

零样本推理

多类别标签预测

使用案例

文本分类

新闻分类

将土耳其语新闻自动分类到经济、政治、体育等类别

示例显示对经济类文本分类效果良好

情感分析

分析土耳其语文本的情感倾向(正面/负面)

能够准确识别负面评价文本

语言:

tr 标签:
零样本分类
自然语言推理
pytorch 管道标签: 零样本分类许可证: apache-2.0 数据集:
nli_tr 评估指标:
准确率小部件示例:
文本: "美元持续上涨。" 候选标签: "经济, 政治, 体育"
文本: "剧本太荒谬了，我不能说我喜欢。" 候选标签: "正面, 负面"

convbert-base-turkish-mc4-cased_allnli_tr

该模型是基于dbmdz/convbert-base-turkish-mc4-cased在None数据集上微调的版本。在评估集上取得了以下结果:

损失: 0.5541
准确率: 0.8111

模型描述

需要更多信息

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

训练过程

训练超参数

训练过程中使用了以下超参数:

学习率: 2e-05
训练批次大小: 32
评估批次大小: 32
随机种子: 42
优化器: Adam，参数beta=(0.9,0.999)，epsilon=1e-08
学习率调度器类型: 线性
训练轮数: 3

训练结果

训练损失	轮次	步数	验证损失	准确率
0.7338	0.03	1000	0.6722	0.7236
0.603	0.07	2000	0.6465	0.7399
0.5605	0.1	3000	0.5801	0.7728
0.55	0.14	4000	0.5994	0.7626
0.529	0.17	5000	0.5720	0.7697
0.5196	0.2	6000	0.5692	0.7769
0.5117	0.24	7000	0.5725	0.7785
0.5044	0.27	8000	0.5532	0.7787
0.5016	0.31	9000	0.5546	0.7812
0.5031	0.34	10000	0.5461	0.7870
0.4949	0.37	11000	0.5725	0.7826
0.4894	0.41	12000	0.5419	0.7933
0.4796	0.44	13000	0.5278	0.7914
0.4795	0.48	14000	0.5193	0.7953
0.4713	0.51	15000	0.5534	0.7771
0.4738	0.54	16000	0.5098	0.8039
0.481	0.58	17000	0.5244	0.7958
0.4634	0.61	18000	0.5215	0.7972
0.465	0.65	19000	0.5129	0.7985
0.4624	0.68	20000	0.5062	0.8047
0.4597	0.71	21000	0.5114	0.8029
0.4571	0.75	22000	0.5070	0.8073
0.4602	0.78	23000	0.5115	0.7993
0.4552	0.82	24000	0.5085	0.8052
0.4538	0.85	25000	0.5118	0.7974
0.4517	0.88	26000	0.5036	0.8044
0.4517	0.92	27000	0.4930	0.8062
0.4413	0.95	28000	0.5307	0.7964
0.4483	0.99	29000	0.5195	0.7938
0.4036	1.02	30000	0.5238	0.8029
0.3724	1.05	31000	0.5125	0.8082
0.3777	1.09	32000	0.5099	0.8075
0.3753	1.12	33000	0.5172	0.8053
0.367	1.15	34000	0.5188	0.8053
0.3819	1.19	35000	0.5218	0.8046
0.363	1.22	36000	0.5202	0.7993
0.3794	1.26	37000	0.5240	0.8048
0.3749	1.29	38000	0.5026	0.8054
0.367	1.32	39000	0.5198	0.8075
0.3759	1.36	40000	0.5298	0.7993
0.3701	1.39	41000	0.5072	0.8091
0.3742	1.43	42000	0.5071	0.8098
0.3706	1.46	43000	0.5317	0.8037
0.3716	1.49	44000	0.5034	0.8052
0.3717	1.53	45000	0.5258	0.8012
0.3714	1.56	46000	0.5195	0.8050
0.3781	1.6	47000	0.5004	0.8104
0.3725	1.63	48000	0.5124	0.8113
0.3624	1.66	49000	0.5040	0.8094
0.3657	1.7	50000	0.4979	0.8111
0.3669	1.73	51000	0.4968	0.8100
0.3636	1.77	52000	0.5075	0.8079
0.36	1.8	53000	0.4985	0.8110
0.3624	1.83	54000	0.5125	0.8070
0.366	1.87	55000	0.4918	0.8117
0.3655	1.9	56000	0.5051	0.8109
0.3609	1.94	57000	0.5083	0.8105
0.3672	1.97	58000	0.5129	0.8085
0.3545	2.0	59000	0.5467	0.8109
0.2938	2.04	60000	0.5635	0.8049
0.29	2.07	61000	0.5781	0.8041
0.2992	2.11	62000	0.5470	0.8077
0.2957	2.14	63000	0.5765	0.8073
0.292	2.17	64000	0.5472	0.8106
0.2893	2.21	65000	0.5590	0.8085
0.2883	2.24	66000	0.5535	0.8064
0.2923	2.28	67000	0.5508	0.8095
0.2868	2.31	68000	0.5679	0.8098
0.2892	2.34	69000	0.5660	0.8057
0.292	2.38	70000	0.5494	0.8088
0.286	2.41	71000	0.5653	0.8085
0.2939	2.45	72000	0.5673	0.8070
0.286	2.48	73000	0.5600	0.8092
0.2844	2.51	74000	0.5508	0.8095
0.2913	2.55	75000	0.5645	0.8088
0.2859	2.58	76000	0.5677	0.8095
0.2892	2.62	77000	0.5598	0.8113
0.2898	2.65	78000	0.5618	0.8096
0.2814	2.68	79000	0.5664	0.8103
0.2917	2.72	80000	0.5484	0.8122
0.2907	2.75	81000	0.5522	0.8116
0.2896	2.79	82000	0.5540	0.8093
0.2907	2.82	83000	0.5469	0.8104
0.2882	2.85	84000	0.5471	0.8122
0.2878	2.89	85000	0.5532	0.8108
0.2858	2.92	86000	0.5511	0.8115
0.288	2.96	87000	0.5491	0.8111
0.2834	2.99	88000	0.5541	0.8111