Xlm Roberta Base Finetuned Recipe All

🚀 xlm-roberta-base-finetuned-recipe-all

このモデルは、論文 A Named Entity Based Approach to Model Recipes のレシピ材料 NERデータセット（gk と ar の両方のデータセットを使用）で xlm-roberta-base をファインチューニングしたバージョンです。

評価セットでは以下の結果を達成しています：

• 損失: 0.1169
• F1: 0.9672

テストセットでは0.9615のF1を達成しており、論文で使用されているCRFよりもわずかに高い結果となっています。

🚀 クイックスタート

このモデルは、材料文字列内の各トークンのタグを予測します。

✨ 主な機能

• 材料文字列内の各トークンのタグを予測することができます。

📚 ドキュメント

モデルの説明

材料文字列内の各トークンのタグを予測します。

想定される用途と制限

• 材料文字列のみで学習されています。
• サブトークンにタグを付けますが、タグは単語全体に伝播されるべきです。
• 記号（括弧など）と数字（例：50g -> 50 g）を事前にトークン化して分割すると最適な結果が得られます。
• 複数の材料がある場合、通常は最初の材料のみを検出します。
• アメリカ英語の2つのデータソースのみで学習されています。
• タグ TEMP と DF の学習データは非常に少ないです。

学習と評価データ

ar (AllRecipes.com) と gk (FOOD.com) の両方のデータセットは、著者の リポジトリ から取得したTSVファイルを使用しています。

学習手順

Tunstall、von Wera、Wolfによる Natural Language Processing with Transformers の第4章の全体的な手順に従っています。 詳細については 学習ノートブック を参照してください。

学習ハイパーパラメータ

学習中に以下のハイパーパラメータが使用されました：

• 学習率: 5e-05
• 学習バッチサイズ: 16
• 評価バッチサイズ: 16
• シード: 42
• オプティマイザ: Adam（ベータ=(0.9,0.999)、イプシロン=1e-08）
• 学習率スケジューラの種類: 線形
• エポック数: 4

フレームワークのバージョン

• Transformers 4.16.2
• Pytorch 1.9.1
• Datasets 1.18.4
• Tokenizers 0.11.6

📄 ライセンス

このモデルはMITライセンスの下で提供されています。