Finance Ner V0.0.8 Finetuned Ner

🚀 finance-ner-v0.0.8-finetuned-ner

本模型是在None数据集上对dslim/bert-base-NER进行微调后的版本。它在评估集上取得了出色的成绩，能够精准地识别金融领域的命名实体，为金融信息处理提供了高效且准确的解决方案。

🚀 快速开始

此模型可直接在Hugging Face平台上使用，你可以通过以下代码加载并使用该模型：

from transformers import AutoModelForTokenClassification, AutoTokenizer

model_name = "finance-ner-v0.0.8-finetuned-ner"
model = AutoModelForTokenClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

✨ 主要特性

• 高精度识别：在评估集上，该模型实现了近乎完美的准确率，损失仅为0.0001，准确率达到了1.0000。
• 多指标优秀：在精确率、召回率和F1分数等多个关键指标上都表现出色，精确率为0.9994，召回率为0.9997，F1分数为0.9995。

📦 安装指南

使用此模型需要安装必要的库，你可以使用以下命令进行安装：

pip install transformers datasets torch tokenizers

💻 使用示例

基础用法

from transformers import AutoModelForTokenClassification, AutoTokenizer
import torch

model_name = "finance-ner-v0.0.8-finetuned-ner"
model = AutoModelForTokenClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

text = "This is a financial text."
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
logits = outputs.logits
predictions = torch.argmax(logits, dim=2)

高级用法

# 高级用法可结合后处理函数，将预测结果转换为可读的实体标签
from transformers import AutoModelForTokenClassification, AutoTokenizer
import torch

model_name = "finance-ner-v0.0.8-finetuned-ner"
model = AutoModelForTokenClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

text = "This is a financial text."
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
logits = outputs.logits
predictions = torch.argmax(logits, dim=2)

# 后处理函数示例
def convert_predictions_to_labels(predictions, id2label):
    labels = []
    for pred in predictions[0].tolist():
        labels.append(id2label[pred])
    return labels

id2label = model.config.id2label
labels = convert_predictions_to_labels(predictions, id2label)
print(labels)

📚 详细文档

模型描述

本模型是基于dslim/bert-base-NER进行微调得到的，在金融命名实体识别任务上进行了优化。

预期用途与限制

该模型主要用于金融领域的命名实体识别任务，但目前文档中关于具体的使用场景和限制还需要进一步补充。

训练和评估数据

目前文档中关于训练和评估数据的详细信息还需要进一步补充。

🔧 技术细节

训练超参数

在训练过程中使用了以下超参数：

训练结果

框架版本

• Transformers 4.30.2
• Pytorch 2.0.0
• Datasets 2.1.0
• Tokenizers 0.13.3

📄 许可证

本模型采用MIT许可证。