Update README.md

README.md

@@ -35,10 +35,10 @@ model = MobileBertForSequenceClassification.from_pretrained("ysakuramoto/mobileb
   |精度|86.4%|85.5%|86.4%|
     - 条件
       - ライブドアニュースコーパスのタイトルとカテゴリで学習・推論。
-      - 比較対象のBERTモデルに"cl-tohoku/bert-base-japanese-whole-word-masking"を利用。
+      - 比較対象のBERTモデルは東北大学さんの"cl-tohoku/bert-base-japanese-whole-word-masking"。
       - 推論データ n=1,474。精度はAccuracy
       - 学習パラメータ: エポック数=10, lr=1e-4
-      - 推論時の高速化として、枝刈り・量子化・jitコンパイルを実施。
+      - 推論時の高速化として、枝刈り(-20%)・量子化・jitコンパイルを実施。
       - Google Colabにて、学習にGPU、推論にCPUを利用。バッチ処理でなく1件ずつ推論。
       - それぞれ、学習～推論を3回実施した平均値。
   
@@ -50,10 +50,10 @@ model = MobileBertForSequenceClassification.from_pretrained("ysakuramoto/mobileb
   |精度|86.4%|82.5%|83.3%|
     - 条件
       - ストックマーク社さんのwikipediaデータセットで学習・推論。(https://github.com/stockmarkteam/ner-wikipedia-dataset)  
-      - 比較対象のBERTモデルに"cl-tohoku/bert-base-japanese-whole-word-masking"を利用。
+      - 比較対象のBERTモデルは東北大学さんの"cl-tohoku/bert-base-japanese-whole-word-masking"。
       - 推論データ n=2,140。精度は完全一致のf-measure
       - 学習パラメータ: エポック数=10, lr=1e-4
-      - 推論時の高速化として、枝刈り・量子化・jitコンパイルを実施。
+      - 推論時の高速化として、枝刈り(-20%)・量子化・jitコンパイルを実施。
       - Google Colabにて、学習にGPU、推論にCPUを利用。バッチ処理でなく1件ずつ推論。
       - それぞれ、学習～推論を3回実施した平均値。