Bert Large Uncased Finetuned Ner

🚀 bert-large-uncased-finetuned-ner

このモデルは、エンティティ認識に特化した事前学習済みモデルです。conll2003データセットでfine-tuningされており、高精度なエンティティ認識が可能です。

🚀 クイックスタート

このモデルは、conll2003データセットでbert-large-uncasedをfine-tuning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: 0.0778
• 適合率: 0.9505
• 再現率: 0.9575
• F1値: 0.9540
• 正解率: 0.9886

✨ 主な機能

このモデルは、エンティティ認識（NER）タスクに特化しています。特定の期間のニュース記事のエンティティアノテーションデータセットで学習されており、文章中のエンティティを高精度に識別することができます。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import pipeline
from transformers import AutoTokenizer, AutoModelForTokenClassification
tokenizer = AutoTokenizer.from_pretrained("Jorgeutd/bert-large-uncased-finetuned-ner")
model = AutoModelForTokenClassification.from_pretrained("Jorgeutd/bert-large-uncased-finetuned-ner")
nlp = pipeline("ner", model=model, tokenizer=tokenizer)
example = "My name is Scott and I live in Ohio"
ner_results = nlp(example)
print(ner_results)

📚 ドキュメント

モデルの説明

このモデルは、特定の期間のエンティティアノテーション付きのニュース記事のトレーニングデータセットによって制限されています。このため、異なるドメインのすべてのユースケースに対してうまく汎化できない可能性があります。さらに、このモデルはサブワードトークンをエンティティとしてタグ付けすることがあり、そのようなケースを処理するために結果の後処理が必要になる場合があります。

制限事項とバイアス

このモデルは、特定の期間のエンティティアノテーション付きのニュース記事のトレーニングデータセットによって制限されています。このため、異なるドメインのすべてのユースケースに対してうまく汎化できない可能性があります。さらに、このモデルはサブワードトークンをエンティティとしてタグ付けすることがあり、そのようなケースを処理するために結果の後処理が必要になる場合があります。

トレーニング手順

トレーニングハイパーパラメータ

トレーニング中に使用されたハイパーパラメータは以下の通りです。

• 学習率: 2e-05
• トレーニングバッチサイズ: 16
• 評価バッチサイズ: 64
• シード: 42
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラの種類: 線形
• エポック数: 10

トレーニング結果

フレームワークのバージョン

• Transformers 4.16.2
• Pytorch 1.8.1+cu111
• Datasets 1.18.3
• Tokenizers 0.11.0

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。