#训练损失
diagram_detr_r50_finetuned - BPMN形状数据集上的精细调优识别模型
Github开源项目模型Huggingface训练损失bpmn-shapes评估损失daigram_detr_r50_albumentations细化调整
该项目在BPMN形状数据集上，精细调优了kacper-cierzniewski/daigram_detr_r50_albumentations模型，取得了有效的评估表现。通过调整学习率、批量大小以及优化器等超参数，并采用线性学习率调度，该模型在多达500个训练周期中持续优化。最终的训练损失达到0.9817，通过Native AMP混合精度训练技术，该模型在BPMN形状识别任务中具有较高的准确性和稳定性。
phibert-finetuned-ner - 微调生物文本识别的新模型提升精度与准确性
Github开源项目模型HuggingfaceAdam优化器精确度训练损失phibert-finetuned-ner召回率
phibert-finetuned-ner模型是通过微调dmis-lab的biobert-v1.1而实现的，旨在提高生物文本识别领域的精度和准确性。其在评估数据集上取得了精度0.9238和准确性0.9950。此模型适用于生物医学领域的命名实体识别，优化过程中采用了Adam优化器和线性学习率调度策略，在3个训练纪元中实现了低损失与高精确度。