Multilingual E5 Base Xnli Anli

🚀 multilingual-e5-base-xnli-anli

このモデルは、XNLIとANLIデータセットでintfloat/multilingual-e5-baseをファインチューニングしたバージョンです。XNLIとANLIデータセットを用いて、モデルの性能を向上させています。

🚀 クイックスタート

このモデルは、XNLIとANLIデータセットでファインチューニングされたintfloat/multilingual-e5-baseのバージョンです。

✨ 主な機能

• ゼロショット分類パイプラインを使用して、任意のクラス名にシーケンスを分類できます。
• 手動でPyTorchを使用して、NLIタスクに適用できます。

📚 ドキュメント

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

モデルの使用方法

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パイプラインを使用して以下のようにロードできます。

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

このパイプラインを使用して、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 = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels)

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

candidate_labels = ["politics", "economy", "entertainment", "environment"]
classifier(sequence_to_classify, candidate_labels, multi_label=True)

手動でPyTorchを使用する場合

モデルは、NLIタスクにも以下のように適用できます。

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/multilingual-e5-base-xnli-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、XNLIのテストセットを使用して、15の言語で評価されました。使用された指標は正確度です。

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も評価されました。使用された指標は正確度です。

学習ハイパーパラメータ

学習中に以下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。