E5 Base V2 Mnli Anli

🚀 e5-base-v2-mnli-anli

このモデルは、glue (mnli) およびanliデータセットで intfloat/e5-base-v2 をファインチューニングしたバージョンです。

🚀 クイックスタート

モデルの説明

Text Embeddings by Weakly-Supervised Contrastive Pre-training Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder, Furu Wei, arXiv 2022

モデルの使い方

ゼロショット分類パイプラインを使用する場合

モデルは、zero-shot-classification パイプラインを使って次のようにロードできます。

from transformers import pipeline
classifier = pipeline("zero-shot-classification",
                      model="mjwong/e5-base-v2-mnli-anli")

このパイプラインを使って、指定した任意のクラス名にシーケンスを分類できます。

sequence_to_classify = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels)

複数の候補ラベルが正しい可能性がある場合、multi_class=True を渡して各クラスを独立して計算できます。

candidate_labels = ['travel', 'cooking', 'dancing', 'exploration']
classifier(sequence_to_classify, candidate_labels, multi_class=True)

手動でPyTorchを使用する場合

モデルは、次のようにNLIタスクにも適用できます。

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# device = "cuda:0" or "cpu"
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "mjwong/e5-base-v2-mnli-anli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "But I thought you'd sworn off coffee."
hypothesis = "I thought that you vowed to drink more coffee."

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 2) for pred, name in zip(prediction, label_names)}
print(prediction)

評価結果

このモデルは、MultiNLIの開発セットとANLIのテストセットを使用して評価されました。使用された指標は正解率です。

トレーニングのハイパーパラメータ

トレーニング中に次のハイパーパラメータが使用されました。

• learning_rate: 2e-05
• train_batch_size: 16
• eval_batch_size: 16
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1

フレームワークのバージョン

• Transformers 4.28.1
• Pytorch 1.12.1+cu116
• Datasets 2.11.0
• Tokenizers 0.12.1

📄 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。