标签:

• 由Keras回调生成 模型索引:
• 名称: bias_identificaiton45 结果: [] 数据集:
• PriyaPatel/Bias_identification 指标:
• 准确率 基础模型: cardiffnlp/twitter-roberta-base-sentiment-latest 管道标签: 文本分类

模型描述

该模型是基于cardiffnlp/twitter-roberta-base-sentiment-latest在自定义数据集上微调的版本，用于大型语言模型中的偏见识别。它经过训练，可以将输入文本分类为10种偏见类别之一。

预期用途与限制

预期用途:

• 偏见检测: 识别并分类句子或文本片段中的偏见类型。
• 研究: 分析和理解自然语言处理模型中的偏见。

限制:

• 领域特异性: 该模型的性能针对训练数据中代表的领域进行了优化。
• 不适用于一般情感分析: 该模型不适用于一般情感分析或其他自然语言处理任务。

训练数据集

该数据集是为了分析语言模型中存在的各种刻板偏见而编制的。它整合了多个公开可用的数据集，每个数据集都有助于识别特定的偏见类型。

数据集链接: PriyaPatel/Bias_identification

偏见标签如下:

1. 种族/肤色 - 0
2. 社会经济地位 - 1
3. 性别 - 2
4. 残疾 - 3
5. 国籍 - 4
6. 性取向 - 5
7. 外貌 - 6
8. 宗教 - 7
9. 年龄 - 8
10. 职业 - 9

训练过程

• 基础模型: cardiffnlp/twitter-roberta-base-sentiment-latest
• 优化器: Adam，学习率为0.00001
• 损失函数: 稀疏分类交叉熵
• 批量大小: 20
• 训练轮数: 3

训练超参数

• 学习率: 0.00001
• 优化器: Adam
• 损失函数: 稀疏分类交叉熵
• 批量大小: 20
• 训练轮数: 3

训练结果

• 验证损失: 0.0744
• 验证准确率: 0.9825
• 测试损失: 0.0715
• 测试准确率: 0.9832

如何加载模型

您可以使用Hugging Face的transformers库加载模型，如下所示:

# 直接加载模型
from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("PriyaPatel/bias_identificaiton45")
model = AutoModelForSequenceClassification.from_pretrained("PriyaPatel/bias_identificaiton45") 

# 使用示例
inputs = tokenizer("您的文本在这里", return_tensors="tf")
outputs = model(**inputs)