Roberta Base Squad2

🚀 ONNXによるroberta-baseの質問応答モデルへの変換

このプロジェクトは、質問応答タスク用に deepset/roberta-base-squad2 モデルをONNX形式に変換するものです。質問応答システムの構築に役立ちます。

🚀 クイックスタート

このモデルはバージョン2です。更新理由については、FARMリポジトリの このGitHubのissue を参照してください。バージョン1を使用したい場合は、Transformers 3.5でモデルをロードする際に revision="v1.0" を指定してください。例えば：

model_name = "deepset/roberta-base-squad2"
pipeline(model=model_name, tokenizer=model_name, revision="v1.0", task="question-answering")

✨ 主な機能

• 高精度な質問応答：SQuAD 2.0データセットで学習された高精度の質問応答モデルです。
• 高速な推論：ONNX形式に変換することで、高速な推論が可能です。
• 柔軟性：Transformers、FARM、haystackなどの複数のフレームワークで使用できます。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

Transformersでの使用

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

model_name = "deepset/roberta-base-squad2"

# a) 予測の取得
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)
QA_input = {
    'question': 'Why is model conversion important?',
    'context': 'The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks.'
}
res = nlp(QA_input)

# b) モデルとトークナイザーのロード
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

FARMでの使用

from farm.modeling.adaptive_model import AdaptiveModel
from farm.modeling.tokenization import Tokenizer
from farm.infer import Inferencer

model_name = "deepset/roberta-base-squad2"

# a) 予測の取得
nlp = Inferencer.load(model_name, task_type="question_answering")
QA_input = [{"questions": ["Why is model conversion important?"],
             "text": "The option to convert models between FARM and transformers gives freedom to the user and let people easily switch between frameworks."}]
res = nlp.inference_from_dicts(dicts=QA_input, rest_api_schema=True)

# b) モデルとトークナイザーのロード
model = AdaptiveModel.convert_from_transformers(model_name, device="cpu", task_type="question_answering")
tokenizer = Tokenizer.load(model_name)

haystackでの使用

大規模な質問応答タスク（複数のドキュメントに対する応答）を行う場合は、haystack でもモデルをロードできます。

reader = FARMReader(model_name_or_path="deepset/roberta-base-squad2")
# または
reader = TransformersReader(model_name_or_path="deepset/roberta-base-squad2",tokenizer="deepset/roberta-base-squad2")

📚 詳細ドキュメント

概要

ハイパーパラメータ

batch_size = 96
n_epochs = 2
base_LM_model = "roberta-base"
max_seq_len = 386
learning_rate = 3e-5
lr_schedule = LinearWarmup
warmup_proportion = 0.2
doc_stride=128
max_query_length=64

蒸留モデルの使用

このモデルの蒸留バージョン deepset/tinyroberta-squad2 も公開しています。蒸留モデルは予測精度がほぼ同等で、ベースモデルの約2倍の速度で実行されます。

性能

SQuAD 2.0の開発セット で評価された結果は以下の通りです。

"exact": 79.87029394424324,
"f1": 82.91251169582613,

"total": 11873,
"HasAns_exact": 77.93522267206478,
"HasAns_f1": 84.02838248389763,
"HasAns_total": 5928,
"NoAns_exact": 81.79983179142137,
"NoAns_f1": 81.79983179142137,
"NoAns_total": 5945

🔧 技術詳細

このセクションには具体的な技術説明が50文字以上含まれていないため、省略されます。

📄 ライセンス

このプロジェクトは CC BY 4.0 ライセンスの下で公開されています。

👥 作者

• Branden Chan: branden.chan [at] deepset.ai
• Timo Möller: timo.moeller [at] deepset.ai
• Malte Pietsch: malte.pietsch [at] deepset.ai
• Tanay Soni: tanay.soni [at] deepset.ai

🌟 私たちについて

私たちはオープンソースを通じてNLPを産業界に普及させています。主な関心領域は、業界固有の言語モデルと大規模な質問応答システムです。

私たちの一部の成果物：

• German BERT (aka "bert-base-german-cased")
• GermanQuAD and GermanDPR datasets and models (aka "gelectra-base-germanquad", "gbert-base-germandpr")
• FARM
• Haystack

連絡先: Twitter | LinkedIn | Slack | GitHub Discussions | Website

ちなみに、私たちは採用中です！