Update README.md

614d0aa verified over 2 years ago

7.29 kB

---
license: apache-2.0
base_model: bert-base-multilingual-cased
tags:
- generated_from_trainer
metrics:
- precision
- recall
- f1
- accuracy
model-index:
- name: custom_BERT_NER
  results: []
datasets:
- jamie613/custom_NER
widget:
- text: >-
    20世紀以來作曲家們積極拓展器樂演奏的極限，開發新的樂器演奏方式與音色，形成新的音響體驗。本次音樂會以「日本」為主題，選擇演出多位日裔作曲家的作品，也納入俄國作曲家Tchesnokov的《日本狂想曲》，和日治時期臺灣作曲家江文也的《慶典奏鳴曲》。每首作品使用不同的演奏技巧，呈現長笛演奏的豐富多樣性，以及演奏家們的極佳詮釋能力和長年合作的默契。
- text: >-
    作為磨練技巧的工具，練習曲用不同方式，重複讓彈奏者練習特定技巧。聽起來是枯燥的苦功，即便如此，許多題為「練習曲」的作品，已離開琴房，成為音樂會中的精彩曲目。鋼琴博士林聖縈對於練習曲這獨特的現象感到有趣，因此規劃本次節目，以德布西的十二首鋼琴練習曲為主，穿插其他偉大鋼琴作曲家的練習曲，這些不寫情、不畫景的鋼琴獨奏作品，勾勒出鋼琴獨奏會另一種風情。
    演出曲目： 巴赫 / 布梭尼：D小調觸技曲與賦格，作品565 Bach / Busoni: Toccata and Fugue in D Minor,
    BWV 565 徹爾尼：C大調練習曲，作品299之9 Czerny: The School of Velocity, Op. 299, No. 9 in
    C Major 克拉莫：E大調練習曲，選自84首鋼琴練習曲，作品30之41 Cramer: 84 Etudes for Piano, Op. 30,
    No. 41 in E Major 德布西：12首練習曲 Debussy: Douze Études 斯克里亞賓：升C小調練習曲，作品2之1
    Scriabin: Étude in C-sharp Minor, Op. 2, No.1 李斯特：E大調練習曲，選自帕格尼尼練習曲，作品141之4
    Liszt: Grandes Études de Paganini, S. 141, No. 4 in E Major
    蕭邦：降A大調練習曲，作品25之1 Chopin: Étude in A-flat Major, Op. 25, No. 1
- text: >-
    鋼琴家列夫席茲（Konstantin Lifschitz）五歲時，父母將他送到著名的莫斯科格涅辛音樂中學的特殊班（Moscow Gnessin
    Special Middle School of Music），向柴琳克曼（Tatiana
    Zelikman）學習鋼琴。之後列夫席茲曾經向顧德曼（Theodor Gutmann）、特洛普（Vladimir Tropp）、布蘭德爾（Alfred
    Brendel）、傅聰（Fou T'song）、富萊雪（Leon Fleisher）、杜蕾克（Rosalyn
    Tureck）等鋼琴家學習。1994年，列夫席茲從格涅辛學校畢業，他在畢業音樂會上彈奏了巴赫的《郭德堡變奏曲》，日本Denon哥倫比亞唱片公司聽到這位當時17歲小夥子彈奏出情感詮釋相當纖細的巴赫，大為驚艷，立即將這份演奏灌錄成唱片。這份錄音在1996年發行，立即入圍當年的葛萊美獎，《紐約時報》的樂評羅斯史坦（Edward
    Rothstein）更是大為讚揚列夫席茲的演奏：「這是繼顧爾德之後，最具影響力的《郭德堡變奏曲》鋼琴詮釋。」9月26日貝多芬：f小調第一號鋼琴奏鳴曲，作品2之1
    L. v. Beethoven: Piano Sonata No . 1 in f minor, Op. 2 No. 1
    貝多芬：A大調第二號鋼琴奏鳴曲，作品2之2 L. v. Beethoven: Piano Sonata No. 2 in A Major, Op. 2
    No. 2 ── 中 場 休 息 ── 貝多芬：C大調第三號鋼琴奏鳴曲，作品2之3 L. v. Beethoven: Piano Sonata No.
    3 in C Major, Op. 2 No. 3 貝多芬：降E大調第四號鋼琴奏鳴曲《大奏鳴曲》，作品7 L. v. Beethoven: Piano
    Sonata No. 4 in E-flat Major 'Grand Sonata', Op. 7
language:
- zh
---
# custom_BERT_NER

This model is a fine-tuned version of [bert-base-multilingual-cased](https://huggingface.co/bert-base-multilingual-cased) on an unknown dataset.
It achieves the following results on the evaluation set:
- Loss: 0.207071
- Perf P: 0.829268
- Perf R: 0.944444
- Inst P: 0.933333
- Inst R: 0.875000
- Comp P: 0.962617
- Comp R: 0.865546
- Precision: 0.862745
- Recall: 0.846154
- F1: 0.854369
- Accuracy: 0.952260

## Model description

This model is for identifying performers, instrumentation, and composers of the music played in the concert from a brief introduction of a concert.

Tags:<br>
<b>PERF</b>: Performer(s)<br>
<b>INST</b>: Instrumentation<br>
<b>COMP</b>: Composer(s)<br>
<b>MUSIC</b>: Music title(s)<br>
<b>PER</b>: Other name(s)<br>
<b>OTH</b>: Other instrument(s)<br>
<b>OTHP</b>: Other music title(s)<br>
<b>ORG</b>: Companies, festivals, orchetras, ensembles, etc.<br>
<b>LOC</b>: Country names, halls, etc.<br>
<b>MISC</b>: Other miscellaneous nouns, including competitions.<br>

## Training and evaluation data

This model is trained ane evaluated on a custome dataset: [jamie613/custom_NER](https://huggingface.co/datasets/jamie613/custom_NER)<br>
The set contains 150 samples of concert introductions in Mandarine.<br>
The dataset is divide into training set (135 samples) and evaluation set (15 samples).

### Training hyperparameters

The following hyperparameters were used during training:
- learning_rate: 2e-05
- train_batch_size: 1
- eval_batch_size: 1
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- num_epochs: 50
- metric_for_best_model = 'eval_f1'
- greater_is_better = True
- load_best_model_at_end = True
- early_stoping_patience = 3

### Training results

| Training Loss | Epoch | Step | Validation Loss | Perf P | Perf R | Inst P | Inst R | Comp P | Comp R | Precision | Recall | F1     | Accuracy |
|:-------------:|:-----:|:----:|:---------------:|:------:|:------:|:------:|:------:|:------:|:------:|:---------:|:------:|:------:|:--------:|
| 0.8629        | 1.0   | 135  | 0.3555          | 0.6951 | 0.7917 | 0.5176 | 0.6875 | 0.8455 | 0.7815 | 0.6913    | 0.6095 | 0.6478 | 0.8848   |
| 0.2867        | 2.0   | 270  | 0.2387          | 0.6275 | 0.8889 | 0.7719 | 0.6875 | 0.93   | 0.7815 | 0.7778    | 0.7663 | 0.7720 | 0.9265   |
| 0.1715        | 3.0   | 405  | 0.1832          | 0.8193 | 0.9444 | 0.875  | 0.7656 | 0.8636 | 0.7983 | 0.8186    | 0.8077 | 0.8131 | 0.9446   |
| 0.1027        | 4.0   | 540  | 0.2056          | 0.875  | 0.875  | 0.75   | 0.7969 | 0.9630 | 0.8739 | 0.8254    | 0.8180 | 0.8217 | 0.9441   |
| 0.0707        | 5.0   | 675  | 0.2007          | 0.825  | 0.9167 | 0.9245 | 0.7656 | 0.9423 | 0.8235 | 0.8378    | 0.8328 | 0.8353 | 0.9468   |
| 0.0517        | 6.0   | 810  | 0.2402          | 0.8415 | 0.9583 | 0.8889 | 0.75   | 0.93   | 0.7815 | 0.8311    | 0.8225 | 0.8268 | 0.9403   |
| 0.0359        | 7.0   | 945  | 0.2071          | 0.8293 | 0.9444 | 0.9333 | 0.875  | 0.9626 | 0.8655 | 0.8627    | 0.8462 | 0.8544 | 0.9523   |
| 0.0269        | 8.0   | 1080 | 0.2171          | 0.8415 | 0.9583 | 0.9608 | 0.7656 | 0.9604 | 0.8151 | 0.8411    | 0.8299 | 0.8354 | 0.9486   |
| 0.0196        | 9.0   | 1215 | 0.2317          | 0.8718 | 0.9444 | 0.8788 | 0.9062 | 0.9558 | 0.9076 | 0.8505    | 0.8417 | 0.8461 | 0.9510   |
| 0.0126        | 10.0  | 1350 | 0.2578          | 0.8161 | 0.9861 | 0.8923 | 0.9062 | 0.9537 | 0.8655 | 0.8495    | 0.8432 | 0.8463 | 0.9470   |


### Framework versions

- Transformers 4.40.0
- Pytorch 2.2.1+cu121
- Datasets 2.19.0
- Tokenizers 0.19.1

	---
	license: apache-2.0
	base_model: bert-base-multilingual-cased
	tags:
	- generated_from_trainer
	metrics:
	- precision
	- recall
	- f1
	- accuracy
	model-index:
	- name: custom_BERT_NER
	results: []
	datasets:
	- jamie613/custom_NER
	widget:
	- text: >-
	20世紀以來作曲家們積極拓展器樂演奏的極限，開發新的樂器演奏方式與音色，形成新的音響體驗。本次音樂會以「日本」為主題，選擇演出多位日裔作曲家的作品，也納入俄國作曲家Tchesnokov的《日本狂想曲》，和日治時期臺灣作曲家江文也的《慶典奏鳴曲》。每首作品使用不同的演奏技巧，呈現長笛演奏的豐富多樣性，以及演奏家們的極佳詮釋能力和長年合作的默契。
	- text: >-
	作為磨練技巧的工具，練習曲用不同方式，重複讓彈奏者練習特定技巧。聽起來是枯燥的苦功，即便如此，許多題為「練習曲」的作品，已離開琴房，成為音樂會中的精彩曲目。鋼琴博士林聖縈對於練習曲這獨特的現象感到有趣，因此規劃本次節目，以德布西的十二首鋼琴練習曲為主，穿插其他偉大鋼琴作曲家的練習曲，這些不寫情、不畫景的鋼琴獨奏作品，勾勒出鋼琴獨奏會另一種風情。
	演出曲目：巴赫 / 布梭尼：D小調觸技曲與賦格，作品565 Bach / Busoni: Toccata and Fugue in D Minor,
	BWV 565 徹爾尼：C大調練習曲，作品299之9 Czerny: The School of Velocity, Op. 299, No. 9 in
	C Major 克拉莫：E大調練習曲，選自84首鋼琴練習曲，作品30之41 Cramer: 84 Etudes for Piano, Op. 30,
	No. 41 in E Major 德布西：12首練習曲 Debussy: Douze Études 斯克里亞賓：升C小調練習曲，作品2之1
	Scriabin: Étude in C-sharp Minor, Op. 2, No.1 李斯特：E大調練習曲，選自帕格尼尼練習曲，作品141之4
	Liszt: Grandes Études de Paganini, S. 141, No. 4 in E Major
	蕭邦：降A大調練習曲，作品25之1 Chopin: Étude in A-flat Major, Op. 25, No. 1
	- text: >-
	鋼琴家列夫席茲（Konstantin Lifschitz）五歲時，父母將他送到著名的莫斯科格涅辛音樂中學的特殊班（Moscow Gnessin
	Special Middle School of Music），向柴琳克曼（Tatiana
	Zelikman）學習鋼琴。之後列夫席茲曾經向顧德曼（Theodor Gutmann）、特洛普（Vladimir Tropp）、布蘭德爾（Alfred
	Brendel）、傅聰（Fou T'song）、富萊雪（Leon Fleisher）、杜蕾克（Rosalyn
	Tureck）等鋼琴家學習。1994年，列夫席茲從格涅辛學校畢業，他在畢業音樂會上彈奏了巴赫的《郭德堡變奏曲》，日本Denon哥倫比亞唱片公司聽到這位當時17歲小夥子彈奏出情感詮釋相當纖細的巴赫，大為驚艷，立即將這份演奏灌錄成唱片。這份錄音在1996年發行，立即入圍當年的葛萊美獎，《紐約時報》的樂評羅斯史坦（Edward
	Rothstein）更是大為讚揚列夫席茲的演奏：「這是繼顧爾德之後，最具影響力的《郭德堡變奏曲》鋼琴詮釋。」9月26日貝多芬：f小調第一號鋼琴奏鳴曲，作品2之1
	L. v. Beethoven: Piano Sonata No . 1 in f minor, Op. 2 No. 1
	貝多芬：A大調第二號鋼琴奏鳴曲，作品2之2 L. v. Beethoven: Piano Sonata No. 2 in A Major, Op. 2
	No. 2 ── 中場休息 ── 貝多芬：C大調第三號鋼琴奏鳴曲，作品2之3 L. v. Beethoven: Piano Sonata No.
	3 in C Major, Op. 2 No. 3 貝多芬：降E大調第四號鋼琴奏鳴曲《大奏鳴曲》，作品7 L. v. Beethoven: Piano
	Sonata No. 4 in E-flat Major 'Grand Sonata', Op. 7
	language:
	- zh
	---

	# custom_BERT_NER

	This model is a fine-tuned version of [bert-base-multilingual-cased](https://huggingface.co/bert-base-multilingual-cased) on an unknown dataset.
	It achieves the following results on the evaluation set:
	- Loss: 0.207071
	- Perf P: 0.829268
	- Perf R: 0.944444
	- Inst P: 0.933333
	- Inst R: 0.875000
	- Comp P: 0.962617
	- Comp R: 0.865546
	- Precision: 0.862745
	- Recall: 0.846154
	- F1: 0.854369
	- Accuracy: 0.952260

	## Model description

	This model is for identifying performers, instrumentation, and composers of the music played in the concert from a brief introduction of a concert.

	Tags:<br>
	<b>PERF</b>: Performer(s)<br>
	<b>INST</b>: Instrumentation<br>
	<b>COMP</b>: Composer(s)<br>
	<b>MUSIC</b>: Music title(s)<br>
	<b>PER</b>: Other name(s)<br>
	<b>OTH</b>: Other instrument(s)<br>
	<b>OTHP</b>: Other music title(s)<br>
	<b>ORG</b>: Companies, festivals, orchetras, ensembles, etc.<br>
	<b>LOC</b>: Country names, halls, etc.<br>
	<b>MISC</b>: Other miscellaneous nouns, including competitions.<br>

	## Training and evaluation data

	This model is trained ane evaluated on a custome dataset: [jamie613/custom_NER](https://huggingface.co/datasets/jamie613/custom_NER)<br>
	The set contains 150 samples of concert introductions in Mandarine.<br>
	The dataset is divide into training set (135 samples) and evaluation set (15 samples).

	### Training hyperparameters

	The following hyperparameters were used during training:
	- learning_rate: 2e-05
	- train_batch_size: 1
	- eval_batch_size: 1
	- seed: 42
	- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
	- lr_scheduler_type: linear
	- num_epochs: 50
	- metric_for_best_model = 'eval_f1'
	- greater_is_better = True
	- load_best_model_at_end = True
	- early_stoping_patience = 3

	### Training results

	\| Training Loss \| Epoch \| Step \| Validation Loss \| Perf P \| Perf R \| Inst P \| Inst R \| Comp P \| Comp R \| Precision \| Recall \| F1 \| Accuracy \|
	\|:-------------:\|:-----:\|:----:\|:---------------:\|:------:\|:------:\|:------:\|:------:\|:------:\|:------:\|:---------:\|:------:\|:------:\|:--------:\|
	\| 0.8629 \| 1.0 \| 135 \| 0.3555 \| 0.6951 \| 0.7917 \| 0.5176 \| 0.6875 \| 0.8455 \| 0.7815 \| 0.6913 \| 0.6095 \| 0.6478 \| 0.8848 \|
	\| 0.2867 \| 2.0 \| 270 \| 0.2387 \| 0.6275 \| 0.8889 \| 0.7719 \| 0.6875 \| 0.93 \| 0.7815 \| 0.7778 \| 0.7663 \| 0.7720 \| 0.9265 \|
	\| 0.1715 \| 3.0 \| 405 \| 0.1832 \| 0.8193 \| 0.9444 \| 0.875 \| 0.7656 \| 0.8636 \| 0.7983 \| 0.8186 \| 0.8077 \| 0.8131 \| 0.9446 \|
	\| 0.1027 \| 4.0 \| 540 \| 0.2056 \| 0.875 \| 0.875 \| 0.75 \| 0.7969 \| 0.9630 \| 0.8739 \| 0.8254 \| 0.8180 \| 0.8217 \| 0.9441 \|
	\| 0.0707 \| 5.0 \| 675 \| 0.2007 \| 0.825 \| 0.9167 \| 0.9245 \| 0.7656 \| 0.9423 \| 0.8235 \| 0.8378 \| 0.8328 \| 0.8353 \| 0.9468 \|
	\| 0.0517 \| 6.0 \| 810 \| 0.2402 \| 0.8415 \| 0.9583 \| 0.8889 \| 0.75 \| 0.93 \| 0.7815 \| 0.8311 \| 0.8225 \| 0.8268 \| 0.9403 \|
	\| 0.0359 \| 7.0 \| 945 \| 0.2071 \| 0.8293 \| 0.9444 \| 0.9333 \| 0.875 \| 0.9626 \| 0.8655 \| 0.8627 \| 0.8462 \| 0.8544 \| 0.9523 \|
	\| 0.0269 \| 8.0 \| 1080 \| 0.2171 \| 0.8415 \| 0.9583 \| 0.9608 \| 0.7656 \| 0.9604 \| 0.8151 \| 0.8411 \| 0.8299 \| 0.8354 \| 0.9486 \|
	\| 0.0196 \| 9.0 \| 1215 \| 0.2317 \| 0.8718 \| 0.9444 \| 0.8788 \| 0.9062 \| 0.9558 \| 0.9076 \| 0.8505 \| 0.8417 \| 0.8461 \| 0.9510 \|
	\| 0.0126 \| 10.0 \| 1350 \| 0.2578 \| 0.8161 \| 0.9861 \| 0.8923 \| 0.9062 \| 0.9537 \| 0.8655 \| 0.8495 \| 0.8432 \| 0.8463 \| 0.9470 \|


	### Framework versions

	- Transformers 4.40.0
	- Pytorch 2.2.1+cu121
	- Datasets 2.19.0
	- Tokenizers 0.19.1