Squad En Bert Base

🚀 英文抽出型質問応答モデル

このモデルは英文の抽出型質問応答に使用されます。BERTベースのモデルを基に構築され、大文字と小文字を区別します。

🚀 クイックスタート

このモデルは、英文の抽出型質問応答に特化しています。bert-base-cased モデルをベースに構築されており、大文字と小文字を区別します。

✨ 主な機能

• 英文の抽出型質問応答に特化したモデルです。
• 大文字と小文字を区別することができます。

📦 インストール

このモデルは、🤗 Transformers ライブラリを使用して直接利用することができます。

💻 使用例

基本的な使用法

>>> from transformers.pipelines import pipeline
>>> from transformers import AutoTokenizer, AutoModelForQuestionAnswering

>>> tokenizer = AutoTokenizer.from_pretrained("zhufy/squad-en-bert-base")
>>> model = AutoModelForQuestionAnswering.from_pretrained("zhufy/squad-en-bert-base")
>>> nlp = pipeline("question-answering", model=model, tokenizer=tokenizer)

>>> context = "A problem is regarded as inherently difficult if its \
              solution requires significant resources, whatever the \
              algorithm used. The theory formalizes this intuition, \
              by introducing mathematical models of computation to \
              study these problems and quantifying the amount of \
              resources needed to solve them, such as time and storage. \
              Other complexity measures are also used, such as the \
              amount of communication (used in communication complexity), \
              the number of gates in a circuit (used in circuit \
              complexity) and the number of processors (used in parallel \
              computing). One of the roles of computational complexity \
              theory is to determine the practical limits on what \
              computers can and cannot do."
              
>>> question = "What are two basic primary resources used to \
              guage complexity?"

>>> inputs = {"question": question, \
            "context":context }
            
>>> nlp(inputs)

{'score': 0.8589141368865967,
 'start': 305,
 'end': 321,
 'answer': 'time and storage'}

📚 ドキュメント

モデル情報