#精度
roberta-large-wnut2017 - Roberta-large模型在WNUT2017数据集上的实体识别能力
开源项目tner/roberta-large-wnut2017命名实体识别模型精度超参数搜索Huggingface召回率Github
Roberta-large在WNUT2017数据集上进行微调，F1得分为0.5375。该模型通过T-NER优化，适用于跨领域和多语言的实体识别任务，支持识别人、组织和地点等多种实体。模型通过简易代码实现实体识别，提升文本解析能力。
CalmeRys-78B-Orpo-v0.1 - 高级文本生成模型，适用于多任务应用
机器学习Github模型开源项目精度Huggingface文本生成CalmeRys-78B-OrpoOpen LLM Leaderboard
CalmeRys-78B-Orpo-v0.1是一款微调自MaziyarPanahi/calme-2.4-rys-78b的模型，利用mlabonne/orpo-dpo-mix-40k数据集，支持角色扮演、推理等多种文本生成场景，具备较高准确率和长文本连贯性。
lm-ner-linkedin-skills-recognition - LinkedIn技能识别的深度学习模型
训练评价lm-ner-linkedin-skills-recognition模型Github开源项目精度Huggingface
该模型通过对distilbert-base-uncased进行LinkedIn领域的微调，展示出高效的技能识别性能。在评估集上，它达到了高精度（0.9119）、召回率（0.9312）和F1值（0.9214），准确率更是高达0.9912，适用于需要高可靠性技能识别的场景。
cat-vs-dog-resnet-50 - 基于微调的ResNet-50实现高精度猫狗图像分类
图像分类Huggingface猫狗分类开源项目精度模型GithubAdam优化microsoft/resnet-50
此项目采用微调版的microsoft/resnet-50模型，以其在cats_vs_dogs数据集上达到的0.9654高准确率而表现出色。适合高精度图像识别场景，模型训练过程使用了线性学习率调度器和Adam优化器，确保了结果的稳定与可靠。
small-e-czech-finetuned-ner-wikiann - 捷克语命名实体识别模型精细化
数据集Github开源项目small-e-czech-finetuned-ner-wikiann训练精度Huggingface模型
这是一个基于Seznam/small-e-czech的微调模型，专用于wikiann数据集的捷克语命名实体识别。模型在精度、召回率和F1分数上分别达到0.8713、0.8970和0.8840，总体准确率为0.9557。项目采用Transformer、PyTorch等技术框架，使用线性学习率调度器，经过20个epoch的训练。适合需要捷克语文本命名实体识别的开发者和研究人员使用。
span-marker-bert-base-conll2002-es - 该模型在命名实体识别中实现高效精确识别
开源项目SpanMarkerGithub模型Huggingface命名实体识别精度conll2002bert-base-cased
该模型基于conll2002数据集训练，使用bert-base-cased编码器进行命名实体识别。精确度、召回率和F1评分分别为0.8331、0.8074和0.8201。支持直接推理和二次调优，同时具备良好的可读性和效率，是提升实体识别能力的有效工具。
bert-base-uncased-ag-news - 基于BERT的文本序列分类模型
开源项目模型TextAttackGithubHuggingface精度ag_news数据集序列分类bert-base-uncased
bert-base-uncased模型通过TextAttack和ag_news数据集进行微调，专为文本序列分类任务优化。经过5轮训练并采用交叉熵损失函数，该模型在第3轮时达到了0.951的高准确率。该模型设置批量大小为16，学习率为3e-05，最大序列长度为128，适用于高效准确的文本分类任务。了解更多信息请访问TextAttack的Github页面。