Finance Ner V0.0.8 Finetuned Ner

🚀 finance-ner-v0.0.8-finetuned-ner

本模型是在None數據集上對dslim/bert-base-NER進行微調後的版本。它在評估集上取得了出色的成績，能夠精準地識別金融領域的命名實體，為金融信息處理提供了高效且準確的解決方案。

🚀 快速開始

此模型可直接在Hugging Face平臺上使用，你可以通過以下代碼加載並使用該模型：

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

• 高精度識別：在評估集上，該模型實現了近乎完美的準確率，損失僅為0.0001，準確率達到了1.0000。
• 多指標優秀：在精確率、召回率和F1分數等多個關鍵指標上都表現出色，精確率為0.9994，召回率為0.9997，F1分數為0.9995。

📦 安裝指南

使用此模型需要安裝必要的庫，你可以使用以下命令進行安裝：

pip install transformers datasets torch tokenizers

💻 使用示例

基礎用法

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)

高級用法

# 高級用法可結合後處理函數，將預測結果轉換為可讀的實體標籤
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)

# 後處理函數示例
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)

📚 詳細文檔

模型描述

本模型是基於dslim/bert-base-NER進行微調得到的，在金融命名實體識別任務上進行了優化。

預期用途與限制

該模型主要用於金融領域的命名實體識別任務，但目前文檔中關於具體的使用場景和限制還需要進一步補充。

訓練和評估數據

目前文檔中關於訓練和評估數據的詳細信息還需要進一步補充。

🔧 技術細節

訓練超參數

在訓練過程中使用了以下超參數：

訓練結果

框架版本

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

📄 許可證

本模型採用MIT許可證。