Camembert Base Xnli

🚀 camembert-base-xnli

このモデルは、現在404エラーが発生している元のBaptisteDoyen/camembert-base-xnliモデルのコピーです。以下は、BaptisteDoyen/camembert-base-xnliページにあったモデルカードです。

✨ 主な機能

• このモデルは、XNLIデータセットのフランス語部分でファインチューニングされたCamembert-baseモデルです。
• フランス語で動作する数少ないゼロショット分類モデルの1つです 🇫🇷

📚 ドキュメント

モデルの説明

Camembert-baseモデルをXNLIデータセットのフランス語部分でファインチューニングしたものです。フランス語で動作する数少ないゼロショット分類モデルの1つです。

想定される用途と制限

使い方

2つの異なる使用方法があります。

💻 使用例

基本的な使用法

• ゼロショットシーケンス分類器としての使用：

classifier = pipeline("zero-shot-classification", 
                      model="BaptisteDoyen/camembert-base-xnli")

sequence = "L'équipe de France joue aujourd'hui au Parc des Princes"
candidate_labels = ["sport","politique","science"]
hypothesis_template = "Ce texte parle de {}."    

classifier(sequence, candidate_labels, hypothesis_template=hypothesis_template)     
# outputs :                                        
# {'sequence': "L'équipe de France joue aujourd'hui au Parc des Princes",
# 'labels': ['sport', 'politique', 'science'],
# 'scores': [0.8595073223114014, 0.10821866989135742, 0.0322740375995636]}                      

高度な使用法

• 前提/仮説チェッカーとしての使用： ここでは、P(premise∣hypothesis) の形の確率を計算することを目的としています。

# load model and tokenizer
nli_model = AutoModelForSequenceClassification.from_pretrained("BaptisteDoyen/camembert-base-xnli")
tokenizer = AutoTokenizer.from_pretrained("BaptisteDoyen/camembert-base-xnli") 
# sequences
premise = "le score pour les bleus est élevé"
hypothesis = "L'équipe de France a fait un bon match"
# tokenize and run through model
x = tokenizer.encode(premise, hypothesis, return_tensors='pt')
logits = nli_model(x)[0]
# we throw away "neutral" (dim 1) and take the probability of
# "entailment" (0) as the probability of the label being true 
entail_contradiction_logits = logits[:,::2]
probs = entail_contradiction_logits.softmax(dim=1)
prob_label_is_true = probs[:,0]
prob_label_is_true[0].tolist() * 100
# outputs
# 86.40775084495544

学習データ

学習データは、2018年にFacebookによって公開されたXNLIデータセットのフランス語部分です。datasetsライブラリを使用することで簡単に利用できます。

from datasets import load_dataset
dataset = load_dataset('xnli', 'fr')                     

学習/ファインチューニング手順

学習手順は基本的なもので、単一のGPUを使用してクラウド上で実行されました。主な学習パラメータは以下の通りです。

• lr = 2e-5 with lr_scheduler_type = "linear"
• num_train_epochs = 4
• batch_size = 12 (limited by GPU-memory)
• weight_decay = 0.01
• metric_for_best_model = "eval_accuracy"

評価結果

検証セットとテストセットで以下の結果が得られました。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。